如今,经济水平的发展伴随着环境污染的加剧,人们逐渐意识到空气污染对于人体健康的严重性。了解空气质量状况,可以帮助人们更好地制定出行计划,尽量避免在空气质量较差时出行。空气质量指数（AQI）能反映实时的空气情况,AQI越小,说明空气质量越好,越适于出行。在信息高度发达的今天,能准确地对AQI进行分析和预测,对我国的经济和环境有着十分重要的意义。珠江三角洲是我国重要的经济中心,是中国人口集聚最多、经济发展最快、综合实力最强的城市群之一。经济发达的地区,通常人们的出行频率也会更高,所以对珠三角地区的AQI进行预测,进而为人们制定出行建议,在一定程度上有利于人们的健康。本文选取2016年1月1日至2020年6月30日期间内珠三角九个城市的AQI序列进行分析,将前1000个数据作为训练集样本,其余数据作为测试集。目前对AQI的预测可以归为两大类模型:时间序列统计模型和机器学习模型。其中时间序列统计模型可以根据序列维度分为两类:单序列模型和多序列模型。单序列模型如ARMA模型、ARMA-GARCH模型、GARCH类如EGARCH模型、双自回归（DAR）模型、线性双自回归（LDAR）和非对称线性双自回归（ALDAR）模型等。多维时间序列模型主要有VARMA模型和VARMA-GARCH模型等,机器学习模型如支持向量回归（SVR）模型和随机森林（RF）模型等。针对每个地区的单维时间序列,本文先后采用ARMA模型、ARMA-GARCH模型、LDAR模型进行建模与预测,其中模型的定阶由ACF图、PACF图结合AIC/BIC准则进行确定。针对序列中存在的非对称性,采用ARMA-EGARCH模型和ALDAR模型进行拟合。考虑到选取的地区在地域位置和经济发展水平上具有一定的相似性,即不同地区的AQI序列之间可能存在空间相关性。为了利用这种潜在的相关性,同时达到减少参数个数的目的,采用主成分方法（TS-PCA）对九个序列进行降维,最终将九个城市分割为八组,再对降维后的序列拟合多维时间序列模型。最后建立机器学习模型进行预测并与统计模型形成对比。实证表明,ALDAR模型的预测效果良好;经TS-PCA方法处理后再建立的单序列模型,其预测效果优于直接建立单序列模型。