环境空气质量的好坏对人们的生活有着重大影响,随着经济的快速发展引起的空气污染已成为人类关注的重大问题,对空气质量精准的预测可以帮助人们有效的安排自己的生活,并且能为人类生活环境的治理提供依据。然而,随着大量高维空气质量监测数据的积累,缺乏新的技术对高维空气质量数据进行分析。本文结合经验模态分解方法、独热编码方法、主成分分析方法和前馈神经网络提出了新的时序数据预测方法,利用新方法对记录空气质量的北京PM2.5数据集和北京奥体中心空气质量数据集两个标准数据集进行了时序数据预测。首先,对原始数据集中待预测的时序数据变量进行经验模态分解,得到若干个本征模函数和一个残余项,基于它们有效地完成后续的神经网络训练实验。经多次调节权值,达到神经网络设定的最小误差0.001时停止训练,将预测数据集输入训练模型,并将得到的预测结果线性相加即可获得最终的预测结果。其次,为了使预测结果更加精准,将标准数据集中不能直接用于神经网络训练的原始数据集中的类别变量使用独热编码的方法进行编码,得到可用于神经网络训练的二进制数据集;然后将原始数据集中除去时间变量和待预测的时序数据剩余的变量进行主成分分析方法降维,通过多次实验,确定降维之后用于实验的变量个数。将通过独热编码方法得到的二进制数据集、主成分分析方法得到的数据集与每一个本征模函数包括残余项进行拼接,得到与本征模函数分量加残余项个数相同的数据集,然后将标准化处理的数据集依次输入神经网络训练,得到全部训练模型并且进行数据的预测。最后,将 ARIMA（Auto-Regressive Integrated Moving Average）模型作为对比模型,对预测数据集进行拟合并且预测。针对预测指标PM2.5与PM10,通过计算两个模型的预测结果与真值的均方误差发现,新模型的均方根误差远远小于ARIMA模型的均方根误差。表明利用独热编码方法、主成分分析方法、经验模态分解方法和数据标准化方法对实验数据进行处理,并且用神经网络训练之后再相加可以获得更好的预测结果,基于本文方法提出的预测模型优于ARIMA模型。