近年来,我国空气质量在不断提升,但是由于空气治理过程还要受到“三高”型产业众多、化石能源消费比重较高和城镇化发展等多重现实因素的影响,将会是一个漫长的过程。然而空气污染会给人体健康带来威胁,增加呼吸道系统疾病等的发病率,会阻碍人才输入加速人才流失,引发连锁反应导致巨大的经济损失。通过空气质量预测,预警空气污染物的浓度峰值和发生时间,有助于为政府部门的管理决策提供依据,采取有效措施防止极端空气污染事件的发生,降低空气污染对于生产生活、社会公众的影响。因此构建具有较高精度和较低使用成本的空气污染物逐时浓度预测模型具有重要意义。本文首先对信阳市空气污染物之间的相关性进行了分析,发现PM2.5与SO₂、O₃两两之间相关性较弱而对人体危害程度更高,因而选定这三者作为研究对象进行预测。然后构建了时间序列与LSTM组合建模,对空气污染物浓度时序数据中蕴含的长期趋势（年度和月度趋势）、中期趋势（日趋势）和短期趋势（逐时趋势）分别展开预测。根据空气污染物与气象因素之间的相关性,构建了LSTM与多元回归组合预测模型,利用具有时间相关数据学习能力、高维数据处理能力和非线性拟合能力的LSTM神经网络进行初步预测,然后使用岭回归利用气象预报数据对预测结果进行优化。以信阳市2017年至2019年逐3小时PM2.5、SO₂、O₃浓度数据和气象数据为基础进行了实验验证,在多个维度上对比评价了本文提出的2个组合模型的预测性能。时间序列与LSTM组合模型对PM2.5、SO₂、O₃预测的平均预测精度分别为81.19%、74.33%、73.70%;LSTM与多元回归的组合模型对PM2.5、SO₂、O₃的平均预测精度分别为72.39%、77.13%、73.97%。本文所构建的2种组合模型相较对比模型,有效的提升了预测的精度,总体上能够较为准确的预测出空气污染物峰值出现时间和相应数值,可以为当地管理部门的管理决策提供更加科学的参考依据,保障生产生活促进经济发展。