近年来,空气污染问题已经开始变为世界关注的焦点,PM2.5颗粒物是大气污染物中的主要组成元素,有效地对PM2.5浓度进行统计建模分析,对推进污染防治有重要的意义。然而,对空气质量数据建模仍然面临着巨大的挑战:首先,数据是一种以大样本为典型特征的大规模数据,当出现海量数据时,由于受到单机计算机内存和运行时间的限制,模型往往难以奏效。其次,PM2.5浓度与气象变量之间呈现出复杂的非线性关系,简单的统计模型难以刻画数据之间的规律,同时PM2.5浓度数据呈现出尖峰、偏斜、非对称等变化特征,相比于服从正态分布的数据,如何在建模过程中更精细的刻画PM2.5浓度的变化,也是目前分析PM2.5浓度的难点。针对上述问题,本文在分位数神经网络的基础上提出分布式分位数神经网络算法。分位数神经网络模型具有较强的非线性映射能力,同时可以通过不同分位点更加精准的刻画响应变量的条件分布变化。分布式分位数神经网络方法在传统的分位数神经网络中引入数据并行计算的技术,进一步提高了分位数神经网络处理大规模数据的效率。该方法的主要思想是将一个庞大的数据计算任务分割成多个小块,分布到若干台机器上分别计算。最后上传各机器计算结果,对结果进行统一合并。本文主要工作如下:首先,详细介绍了分布式分位数神经网络方法的算法步骤,并通过数值模拟验证该方法的有效性,结果表明,基于样本分块训练的分布式分位数神经网络不仅可以很好的近似基于全样本训练的分位数神经网络模型,而且可以显著降低单机计算内存的需求,极大地减少计算运行时间。其次,对京津冀地区2015年-2019年PM2.5小时浓度数据进行探索性分析,结果表明,京津冀地区的PM2.5浓度在时间上呈现“夏低冬高,春秋居中”的变化特征,在空间上呈现“南高北低”的区域分布特征。最后,采用分布式分位数神经网络、随机森林、支持向量机对PM2.5浓度进行空间预测。将时间变化特征,空间变化特征,气象因子等作为模型的输入变量,结果表明,分布式分位数神经网络不仅比其他方法节省大量的运行时间,同时预测评价指标MAE较其他模型提高10%,丰富了PM2.5浓度预测的研究方法。