空气是地球上动植物生存的必要条件,其质量直接影响到生命活动的健康水平。随着人类粗放式推进工业化和城市化,空气污染物排放量激增,引发了严重的空气质量问题。作为定量参考的依据,空气质量的预测结果对保障空气污染治理的科学性和有效性具有重要意义,也对城市的环境质量管理和居民生活质量保障发挥着重要作用。然而,空气质量序列往往呈现非平稳、非线性和高噪音等复杂特征,难以被精准和可靠的预测。此外,不同地区或同一地区不同时期的空气质量序列特征常常存在差异,现有预测模型通常采用固定的结构,在应用时可能造成对序列处理过度或处理不足的问题。为解决上述问题,本文引入质量管理思想,综合考虑预测的全过程,基于数据降噪技术、多尺度分解技术和误差修正技术,提出了一种新型空气质量组合预测模型（ICEEMDAN-DE-LSTM-MOD）,通过结合检测方法构建灵活的预测结构,实现对具有不同变化特征的空气质量序列预测。选取北京、上海、广州和深圳的日均AQI序列作为研究对象,研究结果表明:（1）四组日均AQI序列均属于非正态、非平稳和非线性系统,且具有高波动和大量突变点的特殊特征。（2）ICEEMDAN-DE-LSTM-MOD对四组日均AQI序列的平均MAE和RMSE分别为7.4887和10.2969,相较于三种组合模型,预测精度提高了8.86%,稳定性提高了8.97%,对于空气质量等级预测的平均准确率达83.59%。（3）数据降噪技术可以降低波动,但当日均AQI序列存在大量突变点时,其无法有效剥离序列中的数据噪音,需根据噪音序列的特征有选择的执行。多尺度分解技术可以有效地降低序列的复杂程度,极大提升组合模型的预测性能。误差修正技术可以保障模型性能,降低预测风险,且混沌检测可以有效检测残差序列中规律信息的含量,当残差更趋向随机时,误差修正可能会造成消极影响。因此,ICEEMDAN-DELSTM-MOD不仅可以为空气污染防控措施的制定提供定量依据,还可以为空气质量提供可靠预警,保障居民的身体健康。