空气质量的恶化正在一步步的威胁我们的正常工作和生活,这一现象在中国和印度这样的低产能的发展中国家更为严重。而空气污染的研究在今年来在学术圈也受到了越来越多的研究人员的关注。在众多的空气污染物中,PM2.5作为细微颗粒对人体的危害最为严重,由于PM2.5变化受到多种因素的影响,即使在同一城区内分布也不均匀,变化迅速。因此能够细粒度的对未来PM2.5浓度进行预测,对于指导人们的日常出行和作息极为重要。但是就目前而言,还没有基于高密度监测部署的PM2.5预测的研究,因此本文试图探寻密集部署下监测设备的空间局部相似性和时空数据矩阵的整体低秩性,并基于此来对传统的时间序列预测模型进行改进。本文提出的模型通过分析这种空间的局部相似性和时空矩阵的全局低秩性,并将这些特征通过空间约束矩阵和时空全局低秩近似矩阵与传统的时间序列预测模型进行组合得到一个凸优化模型。本文通过实际232个监测设备收集的6个月数据对模型进行验证,本文提出的模型的能够在真实的数据集上超过传统的时间序列预测模型,可以对未来5到7个小时的PM2.5给出一个可以接受的预测值。