PM2.5是主要空气污染物之一,随着空气污染问题日益严重,人们在日常生活中对其防控意识不断加强,提高PM2.5浓度值预测准确率对空气污染防控以及人类健康具有重大意义。本文利用传统机器学习以及深度学习的方法探讨了基于空间维度进行PM2.5浓度值预测的可行性,减少了PM2.5浓度值预测对历史数据的依赖。本文主要完成以下三个工作:1.针对缺少真实的PM2.5浓度值数据开展研究,本文首先获取了西安市近一年的PM2.5浓度值数据。然后,通过相关系数分析法分析了监测站点之间PM2.5浓度值分布的相关性,实验结果表明同一站点之间存在高度自相关关系,且与其他监测站点呈中高度相关。进一步地,本文对站点间数据分布相关性与站点间距离进行分析发现,监测站点间的相关性与距离呈近似负相关,即距离越远,相关性越弱。2.针对目前的PM2.5浓度值预测模型缺少对空间维度特征的利用,提出了基于距离因子和时空维度结合的PM2.5浓度值预测模型。首先,基于监测站点之间PM2.5浓度值分布的相关性统计规律,本文分别从时间、空间维度,利用线性回归和支持向量回归建立了基准预测模型。然后,提出了基于时空维度结合的预测模型,不仅考虑了时间维度的历史数据,也考虑了空间维度的相关性。进一步地,在时空结合的基础上,提出了距离因子对空间维度特征进行优化,充分考虑了站点之间距离与PM2.5浓度值的相关规律。实验结果表明,基于时空维度结合的预测模型可以有效地提升PM2.5浓度值预测准确率,距离因子的引入进一步提升了模型的预测准确率。3.针对传统预测模型过于依赖时间维度的历史数据以及基于空间维度的预测模型准确率低的问题,提出了基于空间长短距离优化的PM2.5浓度值预测模型。该模型引入神经网络进行PM2.5浓度值预测,激活函数的非线性操作提升了模型对非线性数据的拟合能力。此外,提出了空间长短距离优化策略,将周围监测站点按照与待预测站点的距离远近进行划分,随着神经网络模型不断加深,较远监测站点对预测值的影响逐渐变小,其权重根据训练误差进行自适应的调整,隐式地学习了站点距离与浓度值相关性之间的规律分布,充分挖掘了数据的内在信息。实验结果表明,基于空间长短距离优化的PM2.5浓度值预测模型显著地提升了预测准确率。