近年来,生活化石燃料的燃烧以及工业废气和汽车尾气的排放导致了严重的空气污染,引起了全社会的广泛关注。空气污染物严重影响了人类的健康和社会的可持续发展,许多城市建设了空气质量监测站定期向人们发布空气质量指数(AQI),但仅仅监测空气质量是远远不够的,社会迫切需要一种可靠稳定的空气质量预测方法来为政府、企业和个人提供决策支持。本文围绕空气质量预测方法,提出了一种基于CGMM的时空混合空气质量预测方法(TSHM-CGMM),包含三部分内容:基于DWT&SVR的时间预测器(TP-DWT&SVR),基于ELM的空间预测器(SP-ELM)以及基于CGMM的预测聚合器(PA-CGMM)。TP-DWT&SVR首先根据离散小波变换将本地AQI分解成不同尺度的高频或低频信号,然后在每个尺度上将高频信号或低频信号结合其他本地数据利用支持向量回归进行非线性回归分析,从而解决了现有时间预测器仅考虑本地数据线性特征的不足;SP-ELM根据极限学习机学习速度快,泛化能力强的优点对全局数据进行快速学习,从而解决了现有空间预测器训练和预测时间较长的问题;PA-CGMM首先对气象数据聚类,然后根据每个气象类下TP-DWT&SVR和SP-ELM的预测偏差集构造融合预测值概率的高斯混合模型,并通过最大期望算法计算高斯混合模型中的最优权值,从而动态地融合TP-DWT&SVR和SP-ELM的预测结果,解决了现有预测聚合器因不确定参数过多而导致融合效果差的问题。实验结果证明了TSHM-CGMM的可靠性和高效性。PA-CGMM仅从气象类的角度对TP-DWT&SVR和SP-ELM的预测结果进行融合,并没有考虑同一气象类下不同预测环境对融合预测值的影响,也没有考虑气象数据中各气象指标对融合预测值的影响,从而导致PA-CGMM产生系统预测偏差。针对此问题,本文提出了一种基于SFKF的空气质量预测偏差修正方法(FDCM-SFKF)。FDCM-SFKF首先在当前气象类对应的训练集中查找与当前预测环境相似度最大的若干次预测,然后按相似度从小到大的顺序运行卡尔曼滤波算法,从而对当前预测下PA-CGMM的预测偏差做出最优估计。FDCM-SFKF根据训练集对自身参数进行学习,保证对PA-CGMM预测偏差的修正有效且达到最优,从而提高TSHM-CGMM的预测准确率。实验结果证明了FDCM-SFKF的有效性。