改革开放以来,我国经济发展迅猛,党的十八大提出了当前的奋斗目标是人民对于美好生活的向往与追求。然而,空气质量污染问题频频出现,尤以雾霾污染为重。雾霾等空气污染不仅给人类的正常生产、生活、工作和学习造成诸多不便,而且还对人们的身心健康带来严重的危害,阻碍社会的可持续发展。PM2.5作为雾霾形成的主要原因,对PM2.5进行科学有效的预测,可以使人们提前做好防护工作,最大限度地减少对人体的危害。工业化是现代化的基础,我国一直在努力实现工业化的路上,大气污染问题常伴随其中,因此对PM2.5浓度的预测成为一个非常现实的课题。在当代研究PM2.5的课题中,很少运用几种类型的典型机器学习算法来进行对比研究。本文主要运用了传统机器学习算法、深度学习算法、集成算法下的几种理论模型,选取了中国具有代表性城市北京的2019年9月1日-30日PM2.5的面板数据,以PM2.5实际浓度值作为因变量,以北京市的DEWP、TEMP、PRES、Cbwd、Lws、Ls、lr等数据值为自变量,分别运用三类算法即传统回归算法、深度学习算法、集成算法下的多种模型对北京市的PM2.5浓度预测的效率与准确性进行比较。研究结果表明,集成算法在PM2.5浓度预测中的识别效果明显优于其他两类算法,这是因为集成模型能够比单个模型的效果好,并且更加稳健。而集成算法下的几种模型里,随机森林的效果最好,这得益于回归树的表达能力相比于支持向量回归,回归树的表达能力更强,但是如果不对深度做限制,回归树很可能会过拟合,但是若很好的控制过拟合的话,回归树用于基模型去做集成模型的话,会比支持向量回归更好。传统经典机器学习算法中,对比线性回归、岭回归、Lasso回归,支持向量回归(SVR)可以更好地对PM2.5浓度进行预测。深度学习算法下的几种模型的预测能力相较最低,有很多局限性。综上,随机森林模型方法在所选城市的数据上均具有很高的预测精度,在短期的预测应用上有着优秀的表现,其可行性与有效性被体现出来,对大气污染的预报预警与治理在一定程度的具有技术参考意义。本文的研究将三类机器学习算法与传统的天气测定方法结合起来,有利于解决人们对于空气质量情况的关注及预测的需求,同时这种新颖的方法还有利于提高PM2.5浓度预测结果的准确率和实时性。本研究虽然使用了很多模型,但并无穷尽所有模型和改进模型;另外,本文的研究是根据地理位置选取了北京市的PM2.5浓度预测作为研究对象,模型的适用性尚未在大尺度区域内得到推广和验证。本文的研究虽然有以上种种不足之处,但是我们知道人工智能技术是未来趋势,其科学度和精确度毋庸置疑,使用人工智能算法来预测PM2.5的浓度可以对大气污染物的预警和治理提供极大的参考意义。