随着中国经济的快速发展,以PM2.5为主要污染物的雾霾天气频频发生,环境保护是一项紧迫的任务。如今我国已经逐步建立了环境监测系统,但是环境监测站产生的大量数据并没有得到充分的利用,在空气质量状况尚未得到根本改善的情况下,利用历史数据对PM2.5浓度进行预测,帮助公众合理的规避污染也帮助政府提供充裕的管理时间是非常有意义的事。本文的主要研究内容如下:第一章:介绍本文研究背景和研究现状,并且提出了整个论文的研究流程。第二章:列出本文所用的研究理论,包括统计学习、线性回归、朴素贝叶斯理论和模型的评估指标等。第三章:数据获取和数据预处理。数据来源于UCI网站共享数据集,时间跨度为2010年1月2日0时至2014年12月31日23时,包括时间、温度、压强、风速等变量。清洗数据,检查数据一致性,处理过程中的遗漏等,并完成数据的预处理,使数据更好的适应模型。第四章:预测模型的构建。分别是针考虑季节因素的多元线性回归模型和针对严重污染的异常天气预判的朴素贝叶斯模型。(1)针对传统多元线性回归预测模型的改进,主要是依据热力图反馈中的相关性和迭代的特征选择方法进行优化。通过同一个模型评估指标,得分越高越好。传统多元线性回归的模型得分为58.732,根据相关性优化变量后的模型的得分为65.987,经过迭代特征选择后的模型得分为69.657。又对模型进行分季节模型讨论,以冬季模型为例,最终得分高达93.589。(2)针对严重污染天气预判的研究中用了朴素贝叶斯分类的方法,经过多次实验证明,去除时间因素后的模型参数最佳,优化后的模型在测试结果中对异常天气的预判召回率(recall)为0.79,说明接近百分之八十的异常天气可以被准确识别,模型具有一定的应用性。第五章:总结与展望。最终的两个模型都有一定的可行性,但是原始数据集的非平衡性影响了模型对严重污染天气预判的精确率(precision),非严重污染天气数据量过多,使得模型在分类时有所偏向。为了解决这一问题,本文又讨论了基于非平衡数据集模型优化的方法,并给出具有可行性的研究思路以供后续研究。