由于社会经济的快速发展,城市空气污染问题日趋严重。这已成为全球性问题,直接威胁着国民经济的可持续发展和人民身心健康。加强对大气污染的预测与研究具有十分重要的意义。空气污染指数是一种反映和评价城市空气质量好坏的数量指标,从空气污染指数的角度来探讨大气污染具有明显的优势。本文利用淮安市2014年1月1日至2017年12月17日的环境空气质量日均浓度值。用R根据空气污染指数(API)的计算方法,进行编程计算空气污染指数。本文选取春季和秋季两个季节的逐日空气污染指数进行探讨。首先分别对这两个季节逐日空气污染指数采取BP神经网络预测模型进行预测,根据实际情况确定输入层、输出层和隐含层的数目,通过反复尝试最终确定最佳的初始权重、学习率和动态系数等参数。根据测试样本的预测检验,对预测值和实际值进行比较分析。其次,分别对春季和秋季两个季节逐日空气污染指数采取自回归移动平均(ARMA)与BP神经网络组合预测模型进行预测。先应用ARMA模型对空气污染指数线性部分进行拟合,再采用BP神经网络对ARMA模型的预测残差进行预测。根据测试样本的预测检验,对预测值和实际值进行比较分析。最后,通过比较这两种预测模型的测试样本的预测情况,对比试验的平均相对误差,比较分析二者的预测能力及推广能力。本文结果表明,两种模型都有一定的预测效果,但是ARMA-BP神经网络组合预测模型的预测能力比BP神经网络模型的预测能力要好一些,对于空气污染指数的时间序列预测最好选用ARMA-BP神经网络组合预测模型。由于ARMA-BP模型既包含了线性规律又包含非线性规律,预测精度要高于单独使用一种模型,预测结果更理想。