随着我国雾霾问题的日益严重,人们越来越关注空气质量,预测未来时间和未知区域的空气质量可以给人们生活提供建议,而城市中的普通人往往关注空气质量等级而不是某一个污染物的指数,所以预测空气质量等级有一定的现实意义。一般的气象学方法例如大气预测模型、污染扩散模型,往往结构复杂,计算量高。传统的机器学习方法能避免这些问题,但是数据源和模型结构都较为单一。如何利用城市里高速发展的互联网产生的大量数据,深入理解分析空气质量预测课题,提取特征构造模型,从而提高空气质量预测的效果是一个值得探索的问题。本文提出了基于位置数据的空气质量分类混合预测模型,主要研究工作如下:1)研究空气质量和气象特征,时间特征,POI(Point of Interest)特征,以及位置数据之间的相关性。2)对于未来时间的空气质量等级预测,在时间上用SVM算法分类,在空间上对周边区域通过分割整合处理特征,使用ANN算法进行分类,再将两个预测结果通过决策树整合。3)对于未知空间的空气质量等级预测,在时间上用CRF算法分类,在空间上用KNN选择若干个相似的已知区域,计算两两之间的相关系数作为特征,使用GBDT算法进行分类,最后用决策树整合。4)通过一系列实验,研究位置人流数据,即位置数据的使用粒度对预测效果的影响,比较本文中使用位置数据的混合分类模型与回归模型、单一模型、以及其他传统模型的性能,结果显示本文的模型有一定的改进。