随着城市的发展、人口的集聚,城市汽车保有量持续增加,周边工厂排放的空气污染物等,造成城市环境恶化,居民出行以及健康状况受到严重影响。由此,利用城市空气质量数据、气象数据、空间POI等等城市大数据,构建精准的空气质量模型,从而更好的帮助居民制定出行计划,辅助政府制定环保决策。在构建空气质量预测模型中从时间维度和空间维度共同出发,不仅丰富了研究角度,并且将数据融合的构想运用在研究中,将时间序列与空间信息进行了融合。本文以PM2.5污染物浓度为例,探究PM2.5序列在时间维度与空间维度的特征提取方式,将其纳入预测模型,并将时间与空间维度的预测结果动态地结合,提升预测效果。主要工作如下:第一,探究时空模型理论算法,包括数据缺失值、离群点的处理,以及对运用相关性理论进行特征选取。在此基础上,本文深入研究了PM2.5预测的各类前沿算法:模态分解、时间序列聚类、深度神经网络等,构建PM2.5时空预测模型理论架构。第二,构建时空预测模型,在分析PM2.5预测在时间维度和空间维度特性的基础上,分别从两个维度出发构建时间与空间预测器。在时间维度上,利用模态分解提取PM2.5数据波动特征,运用时间序列聚类算法对分量进行重构,并基于ELSTM模型构建时间预测器;在空间维度运用拉普拉斯算子从图模型角度提取站点的空间关系,以此构建空间预测器;最后,运用XGBoost将两部分结果进行动态聚合,完成LX-M-CEEMDAN-VMD-LSTM模型的构建。第三,利用兰州市空气污染物浓度数据、气象数据以及地理信息对PM2.5浓度序列进行预测。在时间预测模块中,运用CEEMDAN与VMD分解构建二层分解方法提取时序信息,并进行聚类重构,不仅提高了时序序列预测的精度,而且运用聚类进行数据重构进一步简化了模型。在空间预测模块中,拉普拉斯矩阵有效的提取数据的空间特征,提升了空间预测精度。基于XGBoost提取各类特征重要性,则将时间与空间特征动态结合,弥补了各自维度的不足。并以均方根误差（RMSE）、绝对值误差（MAE）和和平均绝对误差百分比（MAPE）三个评价指标以及DM检验对比此模型的优越性、有效性。结果表明,本文所构建模型的预测精度显著提高,在各项指标中均优于对照模型。