随着城市工业化发展和技术的进步,环境污染问题也日益严重,引起了世界范围的关注。特别是近几十年来,我国经济迅速发展,对各种能源的消耗越来越大,因此,我们也付出了环境恶化的惨重代价。近年来中国各地发生的雾霾天气就是由于一些能源燃料的过度燃烧,向空气中排放的各种污染物的数量严重超出大气环境所能承载的范围所造成的。对个人的身体健康以及国家的经济发展等各个方面产生了严重的影响。目前,经研究发现PM2.5是主要的空气污染物之一,如果我们对PM2.5浓度可以做出准确的预测,我们就可以做出相应的有效的防护措施,有效的预防和控制人类的生产和生活。本文基于互补集合经验模态分解(CEEMD),飞蛾火焰优化算法(MFO),支持向量回归(SVR),灰色关联度分析(GRA),反向传播神经网络(BPNN)等算法,对具有不同人文环境和地理位置的贵阳、丽江、广州等城市2017年的PM2.5浓度进行预测,提出一种智能的混合模型CEEMD-MFO-SVR-GRA-BPNN.首先,对原始PM2.5浓度数据进行CEEMD分解,分解为3个固有模态函数和1个残余项,其次用MFO优化算法优化SVR中的参数(c,g),随后用GRA进行筛选影响PM2.5浓度的大气因素,最后对残差建立BPNN模型。提出的模型并与CEEMD-MFO-SVR,CEEMD-WOA-SVR,CEEMD-PSO-SVR,EEMD-MFO-SVR,EMD-MFO-SVR和MFO-SVR等六个模型进行比较,结果表明提出的模型在准确性和泛化能力上都优于比较模型,所以本文提出的新型混合模型CEEMD-MFO-SVR-GRA-BPNN比上述模型更准确的预测大气污染物PM2.5浓度。