PM2.5由于受到多种因素的相互影响表现出来的复杂变化模式给PM2.5预测带来困难,多变的大气反应系统也使得PM2.5浓度的精准预测面临严峻挑战。对于每小时的PM2.5浓度预测问题来说,考虑污染物因素之间的相互关联关系,分析PM2.5浓度模式变化规律,将对PM2.5的精准预测是十分有益的。基于此,本课题提出了一种基于分类回归树（CART）和长短期记忆神经网络（LSTM）的预测模型,以分层的方式将数据集划分为多个子集,并为每片叶子建立预测模型。该预测模型充分考虑PM2.5浓度变化的多种模式特征,解决全局-局部对偶问题。首先,本课题对空气质量数据进行分析,探究PM2.5影响因素及变化趋势。以北京地区为例,揭示PM2.5浓度受当地污染物浓度和气象条件多种因素影响;应用数据分析技术,可视化PM2.5浓度变化趋势,分析PM2.5具有多种变化模式。其次,基于灰色关联分析和随机森林模型进行特征选取。针对所有数据样本,采用灰色关联分析算法计算单个特征独立影响PM2.5的程度值;采用随机森林模型评估多个特征耦合影响PM2.5浓度,综合考虑两个评估结果,确定污染物浓度和气象特征与PM2.5浓度之间的相关性,最终确定预测模型的输入变量。再次,基于PM2.5浓度多种变化模式,构建基于分类回归树和长短期记忆神经网络方法对PM2.5浓度进行预测。利用分类回归树将整体数据按照层次树的形式分割成几个具有相似性质的子集以捕捉PM2.5浓度的多种变化模式,即每个叶子可能就是一种存在模式。在每个节点上用自己的训练样本对长短期记忆神经网络进行训练,然后根据叶子节点的验证误差,在根节点到叶子节点路径上的一个全局和几个局部模型中选择每个叶子的预测模型。最后,本课题通过构建对未来24小时预测问题来验证所提出模型的合理性。针对本课题提出的方法进行实验验证。实验数据采用2016年1月1日至2017年10月31日北京地区真实的空气污染物浓度和气象数据。