随着中国城镇化建设的迅猛发展,空气污染日益严峻,已成为当前社会倍受关注的问题。大气颗粒物PM2.5作为最重要的空气污染物,对人们正常的生产、生活以及工作带来了不良影响,同时对人们身体健康造成了危害。因此对PM2.5进行科学有效地预测能够让人们提前做好防护措施,避免或者减少对人体的危害。因此PM2.5浓度的预测已成为具有十分重要现实意义的课题。首先,本文为了使得预测模型具有普适性,选择研究区域为北京、武汉和广州三个具有代表性的城市,并包含全年的历史数据。同时,为了保证数据的正确性以及研究的有效性,对数据进行了插值处理以及异常检测等预处理。其次,为探究影响PM2.5浓度因素,文中对季节因素、气象因素、环境空气条件因素以及前若干天的PM2.5浓度进行了全面的分析。在对环境空气质量状况因素进行分析时采用了回归分析的方法,而在对气象因素进行分析时采用了统计箱线图的方法。再次,为了探究预测精度更高的预测模型,本文首先根据传统的基于空气污染物的网络模型和基于逐步回归的网络模型对PM2.5浓度进行了预测。在此基础上提出了基于MIV双BP网络模型。根据预测思想的不同,论文用三种人工神经网络模型来对PM2.5浓度进行预报,包括时间序列网络模型、基于MIV双BP网络模型以及粒子群优化的双BP网络模型。最后,为了对预测模型性能做出分析、评价与对比,从而为实际应用中模型选择提供依据,文中对预测结果进行了定性和定量分析。通过统计量均方误差值(MSE)、平均绝对误差公式值(MAD)以及平均相对误差值(MAPE)来衡量模型预测精度,从而对不同地区不同网络模型进行评价。结果表明基于粒子群优化的双BP网络模型在预测PM2 5浓度方面具有精度高、普适性好等优点。本文的创新点主要体现在首次引入基于MIV方法的双BP网络对PM2 5浓度进行预测,并通过多种神经网络模型对多个地区PM2 5浓度进行探究同时考虑多种因素对PM2.5浓度的影响,从而克服了当前人工神经网络模型预测PM2.5浓度存在着考虑影响因素不够全面、输入变量选取主观性强以及研究对象往往是针对特定地区从而不具备普适性等诸多问题。