空气污染是一个世界各国人民都关注的问题。我国是受空气污染危害的国家之一。恶劣的空气质量给人们的生活和环境带来了极大的危害。在空气质量指数(AQI)预测中,如何有效的预测AQI,提高AQI预测的准确率,一直是一个热点问题。准确的AQI预测,不仅能够保护自然资源,控制污染排放,还能帮助人们作出合理的预防措施。本论文以2012年12月至2014年4武汉市城区空气质量监测点的数据作为研究对象,结合蚁群算法与支持向量机算法,对AQI进行预测。研究内容主要包括三方面:(1)采用三次样条插值法处理数据缺失值;(2)通过蚁群算法优化支持向量机算法里的各种参数,并分别建立用于AQI预测的静态模型和动态模型;(3)分析比较传统的多元线性回归模型、神经网络模型和本文所采用的模型。本文的创新之处在于采用蚁群算法对支持向量机算法里的惩罚参数和高斯核函数里的尺度系数在预选区间内进行优化。其主要思想是利用蚁群算法的自动搜索能力,在预先给定的参数范围内选出使得预测平均误差最小的参数,从而提高模型的预测能力。另外我们还提出了基于支持向量机算法的空气质量指数动态预测模型,该模型根据实时的动态数据来预测未来一天的空气质量指数,比传统的基于多元线性回归的静态模型预测更加准确。数值试验结果显示,优化参数后的支持向量机动态模型比支持向量机静态模型以及传统的多元线性回归模型、神经网络模型的预测效果更加准确。