随着城市工业的发展、经济规模的扩大、城市交通量的提升、能源需求量的持续增长等,碳化物、氮化物、硫化物和细颗粒物等大气污染物被大量释放,造成了严峻的空气污染问题。根据2016年国际能源署发布的《世界能源展望》显示,空气污染问题每年会导致超过650万人过早死亡,空气污染被认为是危害人体健康的重要因素之一。与此同时,空气污染问题也是一个全球性问题,长期暴露于高空气污染物的环境下,会对交通安全、气候变化和地球空气系统辐射平衡产生不利影响。因此,对空气污染物浓度的精准预测,能够帮助政府和环境保护机构有效地控制和减少空气污染物排放。由于空气污染物形成的复杂机制和来源的多样化,空气污染物浓度水平具有显著的动态性,能够在不同的时间范围内急剧变化。本文以广州市每小时的PM_2.5、PM₁₀、NO₂、CO、O₃和SO₂浓度数据作为研究对象,提出了一种新型的“分解-优化-聚类-集成”混合学习方法。全文主要分为以下五个部分:第一部分,主要介绍了本文的研究背景、研究意义、国内外相关文献综述与论文的主要研究内容。第二部分,详细论述了小波包分解算法与统计学习算法的理论基础。第三部分,针对鸽子优化算法的求解问题,分别采用惯性权重替换和粒子群优化对传统的鸽子优化算法进行改进,并将改进后的鸽子优化算法应用于极限学习机算法初始值的优化,同时给出了“分解-优化-聚类-集成”方法的学习框架。第四部分,分别采用本文提出的“分解-优化-聚类-集成”混合学习方法和八种空气污染物对比模型来预测广州市每小时的PM_2.5、PM₁₀和NO₂浓度,并通过对比统计误差、统计学检验以及采用CO、O₃和SO₂浓度数据进行鲁棒性分析的结果,综合评价本文提出的混合学习模型在空气污染物浓度预测中的预测效果。本文主要贡献在于:（1）提出了一种新的“分解-优化-聚类-集成”混合学习方法,以提高空气污染物浓度数据的水平和方向预测精度;（2）针对鸽子优化算法收敛精度低的缺点,提出了两种改进鸽子优化算法的方法,实证结果表明,改进后的鸽子优化算法在优化精度以及搜索能力方面均具有显著的提高;（3）采用改进后的鸽子优化算法优化极限学习机模型的随机初始值,避免了模型参数设置的随机性和盲目性,同时提高了极限学习机算法的预测精度。