人们对PM2.5防控意识不断加强,准确及时的PM2.5浓度预测对于空气污染的防控和人们的出行健康都有着非常重要的意义。本文基于西安市历史空气质量数据,采用PM2.5影响因素与历史浓度数据相结合的方法建立了基于BP神经网络的PM2.5小时浓度多步预测模型,并基于季节对该预测模型进行优化,然后使用两种预测模型结合爬虫技术设计并实现了PM2.5浓度实时预测系统。本文提出使用PM2.5浓度影响因素与其k阶历史浓度值相结合作为预测模型的输入特征进行PM2.5小时浓度的多步预测。首先本文获取西安市近一年的空气质量数据并对数据进行预处理,接着通过绘制相关散点图与相关系数分析法,分析了PM2.5与PM10、SO2、NO2、CO、O3之间的相关性,结果表明PM2.5与这些影响因素之间均存在一定相关性,相关程度从高到低依次为CO、PM10、SO2、NO2、O3,其中O3与PM2.5负相关。通过相关性分析确定了PM2.5浓度的影响因素,并通过反复实验试凑的方法确定了PM2.5浓度值的滞后阶数k以及BP神经网络的参数,成功建立了BP神经网络PM2.5浓度预测模型。接着针对目前PM2.5预测模型缺乏对于季节特征的利用,本文提出建立季节性的PM2.5浓度预测模型。首先通过统计分析西安市不同季节的PM2.5浓度日均值、最值与日变化规律折线图,得出该地区PM2.5浓度确实具有显著的季节特征,如:冬季PM2.5浓度远高于其他季节,且日变化曲线图与其他季节相比有明显的峰值与谷值。然后,基于PM2.5浓度的季节特征考虑,将所获取的数据集按照季节进行分类,并使用不同季节的相应训练集为该季节训练不同的BP神经网络预测模型。随后将上述两种PM2.5浓度预测模型进行对比分析,发现季节性的预测模型相较整体的预测模型平均绝对误差减少34%,均方误差减少58%,R-Squared提高5.2%。本文基于上述两种预测模型结合爬虫技术设计并实现了PM2.5实时预测系统。系统的主要功能有:对西安市空气质量历史数据的统计与分析,西安市空气质量监测站点的空气质量数据的实时显示,以及对监测站点的PM2.5小时浓度的预测,并依据空气质量数据和PM2.5预测值的大小给出相应的身体健康和出行防护提示,有利于人们更便捷地掌握空气质量状况,从而减轻空气污染对人体健康的伤害。该系统的开发基于Python开发语言、Django Web框架与My Sql数据库。