PM2.5是空气中最严重的污染物之一,对PM2.5的治理一直是改善环境问题的重点方向。影响PM2.5含量的因素复杂且多样,不仅存在着线性联系而且也存在着某种非线性的关系,如何建立一个将线性和非线性的特征巧妙的结合并有效的提升预测准确度的模型是研究的核心问题。首先考虑到提取PM2.5数据中的线性特征,时间序列模型中ARIMA模型是可以很好的提取线性特征,实验证明多变量的ARIMAX模型的预测效果比单变量ARIMA模型的预测效果要好,说明PM2.5含量的变化不单单受自身变化的影响,而且还会与很多复杂的因素相关。非线性特征的提取涉及到门控神经网络GRU模型,神经单元内部的激活函数可以任意逼近非线性,输出数据的非线性的特征。将ARIMAX模型输出的模型残差输入到GRU模型(GRU1)中得到非线性部分的预测值,并通过几种组合方式的对比,最终选择效果较好的线性预测值和非线性预测值以3:1的比例组合,而且组合之后的模型预测要好于每个单一模型的预测。这种方式虽然把两个部分都考虑进去,但还是着重强调了线性部分的作用,而对全部数据转化为监督问题之后建立GRU模型(GRU2)得到的是一个非线性模型,于是采用模型集成的思想将两个独立的模型以某种方式组合起来,得到最终的预测值。前者实际上是将数据的两部分进行组合,后者则是对完整数据的两个模型进行组合。以2014-2019年北京气象数据包括最低温度、最高温度、平均温度、湿度、风速、风级、气压、能见度、降水量、平均云量等数据对PM2.5含量进行预测的实验,说明(ARIMAX+GRU1)-GRU2的预测模型能够较好的预测出北京PM2.5日含量变化的趋势。