随着社会的迅速发展和人们生活水平的不断提高,我国多数城市都受到雾霾影响,尤其是在长三角、珠三角以及京津冀等经济发达的地区。PM_2.5作为首要空气污染物,有较强的吸附性,容易吸附有毒害的物质,会对空气质量和人体造成更严重的危害。为了有效预防PM_2.5对社会和人体造成的危害,为人们的出行提供合理化建议,准确预测出空气中PM_2.5的浓度时是十分重要的。本文以天津市为研究对象,整理了天津市2016年1月1日至2019年6月22日的空气污染物浓度日数据和气象日数据,建立了时间序列模型、时间序列与机器学习组合模型,对PM_2.5的浓度值进行预测。为了探究PM_2.5浓度的预测模型,提高对天津市PM_2.5的预测精度,本文逐步递进,对模型不断改进修正,得到了相对准确的预测模型,能够为人们出行提供建议指导。本文首先利用PM_2.5历史数据构建了ARMA模型,其预测精度较差。其次,为了消除异方差的影响并进一步提取残差中的信息,本文依次构建了ARMA-GARCH模型和ARMA-GARCH-SVR模型,模型精度有所提高,但仍不理想。再次,通过对各序列的趋势图进行分析,发现其它序列变化与PM_2.5变化趋势存在一定的规律性。鉴于此,考虑将其他影响因素序列纳入到PM_2.5的预测模型中,由此本文利用皮尔逊相关系数和灰色关联分析方法,筛选了与PM_2.5序列较强相关的六个变量(PM₁₀、SO₂、相对湿度等),并构建了多变量序列ARIMAX模型。通过指标评价,与之前建立的单一序列模型相比,多变量序列模型ARIMAX有更低的预测误差以及更高的预测精度。最后,为了进一步提取残差中的非线性信息,提高预测精度,本文构建了ARIMAX-SVR组合模型,与前述的ARIMAX模型相比,该模型融合了多方面信息,预测精度更优,是本文预测天津市PM_2.5浓度的最佳模型。本文的研究结果表明,利用多变量序列比单一序列建模精度更高,组合模型也比单一模型有更好的表现。本文构建的多变量模型组合模型能够充分利用多组序列的信息并发挥多个模型优势,使预测更稳定。通过本文构建的组合模型,实现了对天津市PM_2.5相对准确的预测,为人们日常出行提供了建议指导。