现如今中国经济飞速发展,中国经济的发展很大程度上离不开工业的发展,但是在工业发展过程中却产生了许多环境问题,比如大气污染。大气污染物有多种,这其中对人们影响最大就是PM2.5,一段时间的PM2.5预测能够帮助人们了解未来PM2.5浓度的变化,为相关部门提供科学的决策依据,为人们的出行提供空气环境预报,从而推动智慧城市的建成。计算机科学的发展使得人们可以利用人工智能的方法对大气中的PM2.5进行预测。然而,单一模型进行多步超前预测存在预测精度不高、不能充分提取和利用特征之间关系进行预测的问题,因此本文针对上述问题提出了一种预测精度更高的多步超前预测的混合模型。本文提出的混合模型SSA-TCN-GRU分为两部分,第一部分为SSA模块,该模块使用SSA算法减少数据中噪声的影响;第二部分为神经网络模块,该部分结合了TCN模型,GRU模型,全连接层,其中,TCN模型使用卷积对数据特征进行提取,同时可以获取特征之间的内在关系,GRU模型进一步对时间方向的特征进行处理,最后经过全连接层对结果进行输出。在本文提出的模型训练过程中使用Early stopping策略来防止训练过拟合,在模型的超参数寻优方面使用TPE算法对各个模型的超参数进行寻优从而避免了其他参数寻优策略参数搜索空间大,调参时间长、效率低的问题。本文首先通过将提出模型中的SSA去噪算法模块替换为EMD,VMD去噪算法模块验证本文混合模型使用SSA去噪算法模块的优越性和合理性,接着在北京和兰州的数据集上分别使用单特征序列和多特征序列进行多步超前预测实验,通过实验结果分析了SSA模块对于本文模型和其他对比模型的影响,实验结果表明SSA模块能够有效的提高本文模型和对比模型的预测精度,但在对比模型实验中表现不稳定,同时对本文提出的模型和对比模型在多步超前预测中的表现进行分析,分析结果表明本文提出的混合预测模型不论是在使用单特征序列条件下还是使用多特征序列的条件下进行多步超前预测相比对比模型都具有更高的预测精度,同时也验证了本文模型设计的合理性,实验最后通过对比本文模型和对比模型在单特征序列和多特征序列条件下的表现得出本文模型相对于对比模型能够更好提取和利用多特征之间的关系对PM2.5进行预测。最后本文将所研究的PM2.5预测模型进行了实际的应用,开发了PM2.5预测系统,该系统能够进行多步超前预测,为相关部门提供决策依据和为人们出行提供空气环境预报,同时推动了智慧城市的建成。