随着数据获取与存储能力不断完善和提高,诸如空气质量类的时空类型的数据正成为统计学等众多学科的研究对象。高精度的时空序列预测是分析区域变量空间连续分布随时间演化的重要保证,有效的预测技术是提高区域变量预测精度的关键,然而不同时序之间复杂的时空影响、自身非平稳等特点很大程度上影响了传统的时空预测模型的预测精度。本文主要从空气质量数据预处理开始,克服因设备等原因导致的数据不完备、异常等缺点,为数据建模奠定基础。通过参考有关文献,构建基于多变量的空间权重矩阵,替代传统的基于反距离、点连接、边连接思路建立的权重矩阵,并将其运用到传统的STARMA模型。此外,以机器学习LSTM（长短期记忆模型）为基模型,优化损失函数以及利用加权均方误差和Group＿Lasso正则化的损失函数提高模型学习效率,并利用随机森林的思想将一系列基模型融合建立集成模型,以遗传算法确定每个基模型的权重,并通过模型权重对各模型输出加权,使用加权中位数作为输出结果。为了验证模型预测的准确性和可行性,进行多组对比实验,显示模型的优越性。验证模型预测的有效性以及其预测结果在其他领域的可用性。时空序列预测除了空气质量领域之外,也可以在犯罪、交通、宏观经济等领域发挥作用,值得进一步实际应用和推广。