臭氧是影响大气环境的主要成因之一,已成为环境等诸多领域关注的焦点。大气环境监测系统为臭氧相关研究提供了有力支持。如何通过监测数据,获取臭氧时空信息并预测未来臭氧浓度,为有效治理环境提供技术支撑,是当前环境和计算机等交叉学科领域研究面临的挑战。针对这一挑战,本文在系统梳理环境网格化监测数据基础上,从机器学习的角度,开展基于时空数据的臭氧特征分析及其预测算法的研究,主要内容如下:(1)针对臭氧时序序列信息利用不充分问题,提出了面向时域的臭氧监测数据预测模型。首先利用移动平均滤波器捕捉已经预处理过的臭氧监测历史数据时域特征,进行信息筛选分类。然后将分类信息融合处理后的时序信息建立基于平均移动方法-长短时记忆网络(MA-LSTM)的时域预测模型。实验结果表明该方法可以解决时间序列信息利用不充分的问题,混合模型的使用在一定程度上提高了预测准确率。(2)针对臭氧空域信息利用不充分问题,提出了面向空时异构多粒度的臭氧监测数据预测模型。首先根据站点的空域特征,基于K-means方法和地理第一定律进行站点分区,形成了基于空间臭氧序列相似度的分区策略集成方法,通过训练多个单独模型,动态规划预测范围,确定相关区域。然后将利用MA-LSTM得到的多站点预测结果通过机器学习方法进行空间关系学习。最后利用基于传统地理学反距离加权法(IDW)的空间加权体系来建立未知点预测模型,融合时空信息得到最终的未知点预测结果。实验结果表明该方法有效的结合了地理信息,减弱了突变情况带来的影响。