随着社会经济的发展,工业化和城镇化建设造成的空气污染日益严重,PM_2.5作为空气污染物的重要组成部分,其浓度值的不断增加给人们日常的工作生活带来了极其严重的困扰。相关研究表明,长期吸入PM_2.5颗粒的人群心血管疾病和肺部疾病的发病率会明显增加。除此之外,PM_2.5浓度过高所导致的极端雾霾天气在近几年不断出现,给交通、工业生产等方面带来了不可忽视的负面影响。在治理PM_2.5污染问题上,准确及时的预测PM_2.5浓度值是有效控制和预防PM_2.5危害的必要前提,因此建立科学、可靠的PM_2.5浓度预测模型对有效治理PM_2.5污染具有重要的实践价值。本文提出了一种基于改进QPSO＿RBF神经网络空气质量预测模型,将改进后的QPSO＿RBF神经网络算法用于空气质量预测中。该模型以RBF神经网络为基础模型,选取气温、风速、SO₂浓度值等25个与PM_2.5浓度值相关的影响因子作为,使用随机森林算法对影响因子进行特征选择,筛选出与PM_2.5浓度值关联度高的部分因子作为最终预测模型的输入因子。在对RBF神经网络三个重要参数权值,中心,基宽的优化上,采用的优化算法为目前性能评价极高的QPSO量子粒子群算法。为进一步提高优化算法的性能,解决QPSO算法存在的粒子早熟,粒子陷入局部极值等问题,本文提出一种位置优化和权重自适应的量子粒子群算法,简称EA＿QPSO算法,对QPSO进行进一步的优化,从而进一步提高预测模型的精度。使用该模型对南京市某区域PM_2.5浓度时值进行预测,并通过将预测结果与RBF模型、PSO＿RBF模型、QPSO＿RBF模型、SVM模型、GA＿BP模型等6种模型相对比,从性能指标,实际值与预测值比对等多方面对本研究提出的模型进行分析。预测分析显示,该模型在逐步改进过程中,性能大幅度提升,在精度,收敛能力上均表现良好,能够应用于实际的PM_2.5浓度预测当中。在拓展对比试验中,使用该模型对其他空气污染物如NO₂、PM₁₀等进行预测,预测值同样逼近实际值,表明该模型的适用性良好。