近些年来,我国工业走上了高速发展的道路,取得了丰富的成果,但是发展过程中却忽视了环境治理问题,大量的工业排放物和汽车尾气给我国空气质量造成了恶劣的影响,导致许多城市都存在着严重的空气污染。雾霾中一些微小颗粒物可能被居民吸入体内,而后在心脏、肺部、咽喉中产生化学反应,对人体免疫系统和器官造成损害,甚至还会导致出现过敏现象和肺部疾病。雾霾中不仅包含许多有害的颗粒物,还大大降低了户外的可视度,给居民的交通出行带来了严重影响,因此空气治理已经刻不容缓。2017年李克强总理提出了蓝天保卫战,空气污染开始成为我国密切关注的问题。对于政府而言,要想治理好空气污染问题,空气质量的监测与预测就显得异常重要,预测出一个城市的空气质量趋势,可以更好的帮助国家对于生态环境的保护与开发,具有重要意义。空气污染影响因素众多,成因复杂,我们日常生活中空气污染的程度取决于许多因素,例如空气中各类污染物的浓度值,一天中不同的风向和天气状况等。本文以武汉市为例,选取了2017年1月1日到2019年12月10日空气质量指数、空气污染物浓度、气象因素的逐时数据,并对数据进行缺失值插补、异常值检测、数据标准化等预处理,然后通过线性回归和相关系数找到影响空气质量指数的显著因素,为下一步的多变量预测选取显著特征。为了更好的预测空气质量指数,提升空气质量指数的预测精度,本文基于LSTM神经网络、STL分解、弹性网络正则化构建了组合模型,对武汉市空气质量指数进行预测。在LSTM组合模型中,首先利用STL分解将武汉市空气质量指数分解成趋势项、季节项、残差项,之后对每个分量使用带有自注意力机制的LSTM模型进行预测,同时在多变量时间序列预测中加入了弹性网络正则化对特征进行降维,最后将每个分量的预测结果进行集成得到最终的预测结果。为了验证本文提出的组合模型的性能,引入计量模型和机器学习模型进行比较。实验结果表明,LSTM组合模型能准确的预测出武汉市空气质量的趋势,在精确度和鲁棒性上均要优于传统计量模型和机器学习模型。可以看出引入STL分解能很好的提升模型的拟合精度,同时在多变量时间序列预测中加入弹性网络正则化能提升模型的泛化性和预测精度,具有较大的实际意义和可行性。