二十世纪八十年代以后,随着我国经济飞速发展,空气污染问题日益显现。PM2.5污染严重时会使能见度持续降低,对人们的日常生活以及出行都造成一定程度的影响,因此探究PM2.5浓度与历史数据、其他大气污染物以及气象因子的关系有着重大意义。基于河南省郑州市2014年1月1日至2021年12月31日逐日PM2.5浓度和其他污染物(PM10,SO2,NO2,CO,O3)以及气象因子（平均气压,平均气温,平均风速,平均相对湿度）的相关数据,论文分别采用时间序列单模型和机器学习单模型,并基于单模型建立Stacking融合模型,根据拟合优度（R~2）,均方根误差（RMSE）以及平均绝对误差（MAE）对建立的所有PM2.5预测模型的性能进行对比分析。论文的主要结果如下:首先,论文根据PM2.5浓度与其他污染物和气象因子的相关性选取研究变量,基于历史数据分阶段建立ARIMA预测模型,基于其他污染物和气象因子分别建立随机森林（RF）、Light GBM、支持向量回归（SVR）和Adaboost预测模型。单模型的预测性能相差较大,其中,拟合性能最好的是支持向量回归,拟合性能最不好的是ARIMA模型。其次,论文运用Stacking集成思想,将四个机器学习单模型集成为多种融合模型,模型的预测性能相差不大且整体较好,其中,拟合性能最好的是SVR-Adaboost—LR,拟合性能最不好的是RF-Adaboost—LR。最后,将机器学习和集成学习结合对PM2.5浓度预测结果进行对比分析,对于论文建立的所有模型,满足拟合性能最优的模型是SVR-Adaboost—LR,是最适合进行郑州市PM2.5浓度预测的模型。另外,集成学习对比其他机器学习单模型来说,预测性能得到了显著提高,并不是初级个体学习器的种类越复杂、学习器个数越多,最终的Stacking集成效果就越好,还需要考虑到初级学习器的种类差异和次级学习器的选择。