当前,人们的生活品质正伴随着社会经济和工业化的快速发展而不断提高,但是城市大气污染也日益严重,一方面给环境空气质量监控带来压力,另一方面也对人们的身体健康和生活造成影响。作为空气质量主要污染物之一的PM2.5尤其备受关注,相关政府部门积极开展防治治理,PM2.5预测防控也成为研究热点,相关成果可为制定合理有效的防治措施提供帮助。针对当前PM2.5预测模型所存在的预测精度低,收敛速度慢等问题,本文在对PM2.5数据进行相关性分析的基础上,提出一种基于GA-PSO优化算法的GRU预测模型。主要是通过遗传算法和粒子群优化算法相结合的方法实现门控循环单元GRU的超参数优化,从而构建GA-PSO-GRU模型,用于实现PM2.5下一时刻的浓度预测研究。通过仿真实验验证,所提优化预测模型具有更好的性能。本文所做的主要工作和成果如下:（1）PM2.5的影响因素。分析和预处理了本文使用的原始数据,本文使用的数据为天津市2019年5月1日00时到2020年4月30日23时的空气质量小时数据。分析了影响PM2.5浓度的因素,除了其他空气污染物的影响外,自身的相关性和周期性也是影响因素之一;对原始数据进行了缺失值和标准化处理。（2）构建基于遗传算法和粒子群算法的门控循环单元。针对粒子群算法和遗传算法在过去实验中表现出来的优点和缺点,构建了GA-PSO混合优化算法;神经网络中的超参数设置会直接影响预测效果,利用GA-PSO算法对GRU的超参数进行优化以提高模型预测性能。（3）基于构建的GA-PSO-GRU模型进行实验。在训练过程中用GA-PSO优化算法确定GRU网络的超参数选取,利用优化后网络模型进行PM2.5的预测实验;实验结果显示,相较于单一的GRU模型、GA-GRU模型和PSO-GRU模型,GA-PSO-GRU模型表现出良好的预测性能。