近年来,随着我国工业和经济的快速发展,我国的空气污染问题越来越严重,不仅对人们的出行安全造成影响,更是严重危害了人们的健康。因此,要想有效的防治空气污染,同时为人们的出行安全提供一些参考建议,对空气质量进行及时检测和预报是必要的。空气质量指数(Air Quality Index,AQI)是反映空气质量的指标,其数值越大,表明空气污染越严重。因此,预测AQI是解决空气污染问题的关键步骤。目前,常用的AQI预测方法有ARIMA模型、SVR模型、神经网络模型等,且通常为点预测。随着样本数量的不断增多和数据维度的不断增加,点预测的计算过程越来越复杂,且计算量也明显增多。由于大气环境的复杂多变性,大多数时候无法对AQI来进行精确的点值预测,因此能对AQI进行区间预测变得非常重要。模糊信息粒化模型能够把高维度大样本数据进行简单化,减少计算量,同时保留住样本中有价值的信息,并可以利用简化之后的数据对原始时间序列数据进行区间预测。虽然区间预测并不可以给研究者准确的点预测值,然而却能给研究者数据在将来的变化范围与变化趋势。AQI在波动中既具有整体的时间序列线性特征,又具有多种因素影响的不确定性,为了提高AQI的预测精度,本文使用了一种同时具有线性和非线性的复合特征的时间序列预测模型——ARIMA-SVR组合模型。该模型利用ARIMA模型进行线性预测,利用SVR模型对ARIMA模型预测残差进行非线性预测,加和得到组合预测模型的预测结果。本文将模糊信息粒化模型与ARIMA-SVR组合模型相结合,构建AQI区间预测模型。以北京、上海、广州、济南和郑州五个城市2017年1月1日到2019年10月28日的AQI日数据为基础,首先利用模糊信息粒化模型对五个城市AQI数据进行模糊信息粒化,再利用ARIMA模型,SVR模型与ARIMA-SVR组合模型对AQI模糊粒子进行回归预测,得到五个城市AQI区间预测结果。分析比较三种模型趋势预测的准确率、范围预测的精确度和可靠性以及模型稳定性,结果表明,组合预测模型发挥了两种模型各自的优势,相较于单一预测模型而言,其趋势预测的准确率与范围预测的精确度和可靠性更高,模型稳定性更好。最后,将组合预测模型应用在五个城市的空气质量等级预测中,通过此模型得到的空气质量等级预测结果不仅可为人们的日常生活提供指导,而且可为大气污染的防治工作提供科学依据和借鉴意义。