基于大量空气质量微型测控站和国家测控站所构成的空气质量监测网络在科学有效治理空气污染方面发挥了积极作用。与此同时,密集的网格化监测也产生了大量宝贵的数据有待分析和挖掘。网格化监测所采用的大量微型测控站具有价格低廉、精度不足、传感器故障多的典型特征,导致某些微测站存在监测数据异常和不稳定的问题,以及部分区域未设国测站数据校准的挑战。针对微测站存在的上述难点问题,本文从数据驱动的角度来分析和挖掘历史监测数据,开展网格化空气质量微测站监测数据的预测与校准模型的研究,具体研究内容如下:(1)针对当前微测站监测数据异常和不稳定的问题,提出了基于模糊认知图空气质量预测模型。首先,通过微测站历史数据构建面向各空气质量监测特征为节点的模糊认知图。在这一过程中提出了面向空气质量监测时间序列数据的模糊认知图蚁群优化学习算法,所得到的模糊认知图系统地反映出各监测特征的相互依赖关系。然后,将历史监测时间序列数据作为模糊认知图的状态初始值,各节点的迭代输出作为预测值。最后,通过具体环境实际数据分析了所提出模型的效果。实验结果表明本文所提出的算法其整体预测效果接近长短期记忆网络,优于其他典型的回归算法,在臭氧预测方面优于所有对比算法。此外,与其他算法相比,所提出的算法具有计算复杂度低的优势。(2)针对部分区域未设国测站数据校准问题,提出了基于多目标蚁群优化的模糊认知图预测校准模型。首先,通过线性回归模型规范统一微测站和国测站的历史监测数据。然后,通过规范化的数据,构建面向各类监测特征的模糊认知图。在此过程中,本文提出了基于多目标蚁群优化的模糊认知图学习算法,该方法通过在搜索时加入可靠性高的国测站数据来消除微测站原始数据突变异常问题带来的预测模型偏差使预测数据变得更加可靠,同时又保留微测站同国测站地理位置不同,网格化分布的数据特点,能够提供真实可靠的网格化监测数据。最后,通过具体环境监测实际数据分析了所提出模型的效果。实验结果表明本文所提出的算法在CO、NO2和SO2预测方面优于其他算法,且低于其他算法的计算复杂度。