空气质量预测对公共健康和污染控制具有重要意义,空气质量的预测可以为居民的外出活动和高污染企业的生产提供指导信息,而统计方法是常用的空气质量预测技术。当前我国空气质量评价的主要指标为AQI(空气质量指数),它可以更加全面和科学地反映空气质量,因此,对AQI进行建模具有重要的意义。然而,当前对于AQI预测的研究相对较少,尤其是组合预测更是少有运用。针对AQI序列具有高复杂度,易变和非线性的特征以及在AQI预测建模中会出现的组合模型预测表现不如单项模型好的问题,本研究提出了一种基于CEEMD(互补集合经验模态分解),PSOGSA(粒子群优化和重力搜索算法),PSO(粒子群优化算法),GRNN(广义回归神经网络),SVR和组合预测的新型最优-组合预测模型(Optimal-Combined Model)。该模型在进行组合预测时会首先对预备进行组合预测的单项模型组进行判断,如果单项模型间的预测能力相差很大即单项模型组中存在预测效果很差的单项模型,那么预测效果最优的单项模型将会被选择用来预测AQI;如果几个单项模型的预测效果基本一致,则组合预测将会被用于AQI的预测,而每个单项模型在组合模型中的权重将由PSO优化算法来求得。在建模过程中,首先使用CEEMD对AQI时间序列进行数据预处理,接下来利用SVR-PSOGSA和GRNN对分解后的序列进行建模预测,最后通过判别使用最优单项模型或组合模型进行预测。对于华北五个城市的AQI时间序列预测结果显示,与备选模型(三个单项模型、进行简单平均的简单组合预测模型)相比,本文所提出的模型具有最高的预测分类正确率,较小的预测误差并且可以适用于不同城市AQI预测,泛化能力更强。