随着我国经济社会的稳定发展和人民生活水平的持续提升,环境与发展的不协调问题日益突显出来。人类社会在发展的同时,也使得人们和动植物都赖以生存的空气、土壤和水资源等受到了污染和破坏。近年来,中国的区域空气污染现象不断涌现,特别是京津冀地区,空气污染情况尤为严重,空气污染不仅会对人们的生产、生活等方面产生消极影响,还会在一定程度上损害居民的身心健康。空气中的首要污染物,其浓度是非常重要的空气质量指标,北京市是京津冀地区的核心城市,空气质量问题备受关注,及时对北京市的首要污染物进行预报和预警是一项极其重要的工作。本文主要从以下几个方面对北京市首要污染物的浓度预测进行分析和研究:首先,收集2013年12月至2018年8月北京市的空气质量日均监测数据,通过对数据进行描述性分析,掌握北京市近五年的空气质量整体概况和北京市首要污染物的分布情况,总结出:PM2.5是北京市近年来空气污染中的首要污染物。其次,介绍随机森林算法的原理。考虑到污染物因子与气象因子两方面因素,本文收集若干相关重要指标,利用Pearson相关系数和Spearman秩相关系数分析了PM2.5浓度与其他指标的相关程度。再次,通过十折交叉验证的方法,构建预测北京市首要污染物浓度的随机森林模型。并基于相同的数据处理方法,分别建立决策树模型、Boosting回归模型、Bagging回归模型和神经网络模型,比较上述模型的预测结果,分析结果如下:标准化均方误差、均方根误差和平均绝对误差这三个预测性能评价指标的值在测试数据集上的大小按模型排序均为:决策树模型>Bagging回归模型>Boosting回归模型>神经网络模型>随机森林回归模型。由此可以得到如下结论:随机森林算法的预测性能较高、泛化能力较强,在城市污染物浓度的预测实践中值得被推广和应用。最后,考虑到城际空气污染的影响和扩散,建立高斯烟羽模型,研究北京及周边城市PM2.5浓度的分布与演变规律,以期能对相关城市和部门开展空气质量的防治工作提供有效建议。