大气污染是影响公众健康、生态文明和社会可持续发展的重要因素,也是当今世界关注的热点。PM_2.5对人体健康和大气环境质量会产生严重的影响,据世界卫生组织报道,世界上92%的人口生活在PM_2.5水平超过世卫组织限值的地区。大气污染不仅严重影响着人类身心健康,而且严重破坏生态坏境,给人们的日常生活带来诸多不便。因此,建立一个可靠的空气污染预测预警系统是很有必要的,以便人们能够提前知道未来空气质量的好坏程度,并做好相应防护措施;为决策部门控制污染物排放提供参考。AQI是衡量空气污染程度的重要综合指标,PM_2.5是评价空气污染的最重要单项指标之一。根据国内外研究现状,目前很少有关于AQI的预测研究,并且结合时间序列模型和多元回归理论的PM_2.5建模研究稀缺,本文结合空气污染预测较多利用时间序列建模的事实,主要开展以下两个方面的研究:第一,AQI的时间序列建模研究。AQI的预测研究主要包括:基于EMD方法对原始AQI序列进行数据预处理;对分解得到的IMFs分别采取GM、Holt-Winter和S-ARIMA进行预测分析,进而建立了EMD-IMFs-Hybrid模型;对分解得到的IMFs之和采用SVR进行预测分析,进而建立了EMD-SVR-Hybrid模型。本文提出的EMD-SVR-Hybrid和EMD-IMFs-Hybrid均利用S-ARIMA模型进行误差矫正。为了验证所提出理论的有效性,本文利用邢台市的AQI时间序列进行预测分析,对比模型为EMD-GRNN,Wavelet-GRNN,GRNN,SVR,Wavelet-SVR和ARIMA。从模型预测能力评价指标上看,EMD-SVR-Hybrid和EMD-IMFs-Hybrid的预测误差（MAE、MAPE、RMSE）比六个对比模型低,与真实值的相关性指标IA和AI比对比模型高。因此,本文提出的AQI预测模型的预测精度较高、预测结果可靠。第二,PM_2.5序列的混合建模研究。基于CEEMD、PSOGSA、SVR、GRNN和GCA方法建立CEEMD-PSOGSA-SVR-GRNN混合模型来预测PM_2.5,其主要内容包括:使用CEEMD分解处理原始PM_2.5序列进行数据预处理、对每个IMF分别采用PSOGSA-SVR做预测、对于PSOGSA-SVR预测的残余信息使用多元回归GRNN进行校正,其中GRNN影响因素利用GCA进行选择,基于以上步骤建立的模型称为CEEMD-PSOGSA-SVR-GRNN。为验证CEEMD-PSOGSA-SVR-GRNN的有效性,本文选用了三个城市（重庆、哈尔滨和济南）的PM_2.5数据进行建模分析,对比模型为CEEMD-PSOGSA-SVR*,EEMD-PSOGSA-SVR,PSOGSA-SVR,CEEMD-PSO-SVR,CEEMD-GSA-SVR和CEEMD-GWO-SVR。结果表明,与其他对比模型相比较,CEEMD-PSOGSA-SVR-GRNN模型有较低的预测误差,也就是说提出的CEEMD-PSOGSA-SVR-GRNN模型有着较高的预测精度。本文所提出的预测方法,不仅可以用于AQI和PM_2.5的预测分析,也可以应用于其他污染物(PM₁₀,SO₂,CO)的预测分析。总之,本文不仅弥补了空气污染统计预测理论研究的不足,同时为完善空气污染预测预警系统提供理论指导,而且该研究结果具有很好的应用价值。