環境質量與人們的健康息息相關，一直是研究的熱點。本文選取長沙市2017年NO2、PM10等大氣數據對PM2.5日均值進行預測，采用BIC準則進行特征選擇。在傳統的超限學習機（ELM）的基礎上，引入正則化項以控制模型的復雜度，并用遺傳算法（GA）對模型的輸入層權重矩陣和隱含層閾值矩陣進行優化，建立遺傳算法和正則化極限學習機（GA-RE-ELM）的PM2.5預測模型。實驗表明，該模型相比BP神經網絡、超限學習機有更好的精度，均方誤差分別降低了35.09%、25.49%，平均絕對誤差分別降低了40.86%、30.80%，平均絕對百分誤差分別降低了45.49%、31.65%，為PM2.5濃度的預測提供一種新的方法。

　　空氣質量的好壞和人們的健康息息相關，PM2.5 作為衡量空氣質量的重要標準，逐漸引起人們的重視，進而成為眾多學者研究的熱點。從國內外近幾年的研究狀況來看，應用數值方法來預測PM2.5 濃度通常需要較詳細的排放源時空分布資料和高分辨率的氣象模式，但該方法的發展在我國的大部分城市并不成熟。而回歸分析、時間序列、貝葉斯網絡等廣泛應用的空氣質量統計預測方法，其預測精度并不能令人滿意。隨著計算機技術和理論的發展，基于智能原理的人工神經網絡、支持向量機模型在PM2.5 濃度的預測中取得了不錯的效果。然而，傳統的神經網絡容易過擬合，隱藏層神經元個數難以確定、尋找結構參數復雜，而且在輸入數據較多且具有多重共線性時，神經網絡模型的訓練效率會降低，從而影響空氣質量預測的精度。陳紹煒，易少強，張衛輝等分別提出了各種與極限學習機（ELM）結合的預測模型，在工程問題上取得了一定的效果，但這些方法都有可能陷入局部最優。

　　本文運用BIC 信息準則選擇與PM2.5 濃度相關的指標，并結合遺傳算法和正則化項，提出了一種基于超限學習機的PM2.5 預測模型（GA-RELM）。該預測模型融合了遺傳算法全局尋優和正則化項能控制ELM 模型復雜度，能有效地提高PM2.5 濃度預測的精度，并分析與其有關的指標，為加強環境污染的防控提供有力的參考。