近年来,中国城镇化与工业化的迅速发展,给环境带来了巨大的破坏,随之产生的空气污染问题已经严重影响人们的日常生活与身体健康。因此,针对空气污染问题采取合理的预防和治理措施是现阶段重要的工作。准确预测细颗粒物(Fine Particulate Matter,PM2.5)的变化规律,可以为预防和治理空气污染问题提供理论支撑,从而实现空气污染的有效预防与治理。然而随着物联网技术迅速发展,传统PM2.5预测模型面对传感器采集的大量数据难以有效地提取长期依赖信息且学习能力不够。针对大量数据,如何选择合理的模型对PM2.5数据进行特征提取和长期依赖信息学习,已经成当前PM2.5浓度预测研究的重点。本文对PM2.5浓度预测的研究现状进行了系统的分析,并且利用机器学习模型构建了PM2.5浓度预测模型,本文的主要研究内容如下:针对PM2.5浓度非平稳和非线性特点,本文提出基于迭代膨胀卷积神经网络（Iterated Dilated Convolutional Neural Network,IDCNN）和双向门控循环长短期记忆（Bidirectional Gate Recurrent Long Short-Term Memory,BGRLSTM）网络的IDCNN-BGRLSTM模型以预测PM2.5浓度。首先以迭代的方式利用膨胀卷积提取时间序列的局部趋势特征,然后将双向长短期记忆网络和双向门控循环单元网络堆叠在一起,构建BGRLSTM模型学习长期依赖信息,得到最终预测结果。相关仿真实验表明IDCNN-BGRLSTM模型处理时序数据时具有良好的特征提取效果和长期依赖信息学习能力。由于降雨降雪会对PM2.5浓度产生影响,而IDCNN-BGRLSTM模型预测PM2.5浓度时未使用降雨和降雪数据,因此本文进一步利用降雨降雪数据,建立了基于Stacking的校准模型。首先利用相关系数选取合适的历史数据,然后将历史PM2.5浓度数据、历史降雨降雪数据以及IDCNN-BGRLSTM模型的预测结果组合,并作为基学习器的输入,最后利用Stacking集成基学习器的预测结果对IDCNN-BGRLSTM的预测结果进行校准,以进一步提高模型预测精度。仿真结果表明,降雨降雪数据对PM2.5浓度具有一定影响,利用Stacking结合降雨降雪数据对IDCNN-BGRLSTM的预测结果进行校准,可以一定程度上提高PM2.5浓度预测精度。