空气污染危害人体健康,越来越受到政府和人民的关注。作为空气污染治理工作的重要一步,空气质量预测成为了当下研究的热点问题。传统空气质量预测模型在建模时多数仅使用获取到的空气质量数据,该方法缺乏对空气质量指数内在变化规律的分析与研究,也欠缺对气象因素、人为活动等空气质量影响因素的考虑,模型预测准确度较低。此外,已有预测算法在预测未来空气质量时未对预测结果使用阈值进行约束,导致算法在对空气质量进行预测时会出现预测值过高或者过低的问题,影响算法预测效果。针对上述问题,本文进行了影响因素优化及置信区间修正的空气质量预测研究。本文主要研究内容概括如下:(1)建立基于影响因素优化的空气质量预测模型。在传统空气质量预测模型的基础上,本文通过对空气质量变化规律的研究,建立了基于影响因素优化的空气质量预测模型。该方法将气象、周期性、人为活动等影响因素加入传统空气质量预测模型中。此外,本文使用线性回归和神经网络算法对传统空气质量预测模型与本文提出的基于影响因素优化的空气质量预测模型的预测能力进行了对比实验。编写网络爬虫爬取西安市2014年至2018年空气质量历史数据作为研究数据。实验结果表明,在相同的实验算法下,本文提出的基于影响因素优化的空气质量预测模型预测能力更好。(2)提出基于置信区间的空气质量预测值修正策略。为了解决空气质量预测算法在预测空气质量指数时未使用阈值约束预测值,会出现预测值过高或者过低的问题,本文提出了基于置信区间的空气质量预测值修正策略。该方法先对空气质量历史数据进行重采样,建立未来周空气质量区间预测模型。然后,用待预测日前7天的空气质量数据作为周预测模型的输入,获得未来一周空气质量指数区间,并将该区间作为待预测日对应的空气质量指数置信区间。最后,当空气质量指数预测值超出置信区间时,使用修正系数对算法的预测值进行修正。使用基于置信区间的空气质量预测值修正策略对线性回归和神经网络算法在本文提出的空气质量预测模型上的预测值进行了修正。实验结果表明,本文提出的基于置信区间的空气质量预测值修正策略有效解决了算法在预测空气质量时出现预测值过高或过低的问题,具有较高的应用价值。综上,本文针对目前传统空气质量预测中存在的不足建立了基于影响因素优化的空气质量预测模型并提出了基于置信区间的空气质量预测值修正策略,有效解决了空气质量预测时影响因素考虑不全面及预测值过高或过低的问题。