2015年-2021年最新全国328个城市的逐月月AQI数据，包含PM2.5、PM10、SO2、NO2、O3、CO六类大气污染物。可用于统计建模数据分析，科研学习。 数据来源：中国气象历史数据 时间跨度：历史数据更新至2021年 区域范围：全国 指标说明：包括PM2.5、PM10、SO2、NO2、O3、CO六类大气污染物 数据时间 2015.01-2021.11

空气质量预测 近年来，空气污染急剧增加，并且对所有生物造成的影响更糟。 世界上大多数国家都在与日益增加的空气污染水平作斗争。 因此，控制和预测空气质量指数已成为必要。 在此研究项目中，我们将实施数据挖掘和机器学习模型来预测AQI并将AQI归类。 对于AQI预测，我们已经实现了五个回归模型主成分，偏最小二乘法，留一维CV的主成分，留一维CV的偏最小二乘，多个印度城市的多元回归AQI数据。 根据AQI的值，AQI指数进一步分为6个不同的类别，即“好，满意，中，差，非常差和严重”。 为了预测AQI桶，我们使用重复CV分类算法开发了三种分类模型，分别是多项式Lo​​gistic回归和K最近邻和K最近邻。 来自印度不同城市的空气质量数据集，具有留一法交叉验证的PLS模型。

AQI标准颜色对应，包含颜色转化的三色图，这是空气质量颜色标准显示。

python 空气质量AQI 数据分析与预测----用到的库，数据集，数据清洗-附件资源

内含世界各国某些城市2015年空气质量指数，如Ngawa Prefecture、Aksu City、Ngari等城市的AQI、降水量、经纬度、海拔高度、GDP等多种属性数据，下载可供做为预测与机器学习训练集使用

针对徐州雾霾情况，通过搜集徐州市2017年365天的日空气质量指数AQI数据，其9个相关影响变量数据（包括风力，机动车保有量，火电厂、炼钢厂、炼焦厂平均各排口每小时各主要污染物的排放量），在MATALB中采用多元线性回归方法建立了模型、参数估计和模型检验，并在已得模型的基础上剔除不显著的变量和样本异常值,经过两次改进，由九元线性模型简化为四元线性模型。通过拟合优度检验、显著性检验、多重共线性诊断和异常值残差诊断后，绘制出拟合对比图，验证了所得四元线性回归模型的准确性和实用性。

"# predict_aqi" ##空气质量指数预测： 1. spider_city.py 爬虫爬去北京空气质量指数数据 2. train.py 训练数据 (使用线性回归模型) ，并保存模型 3. predict.py 加载模型并预测 4. 加载数据并将数据预处理. #data "# predict_aqi"

AQI计算公式

空气质量指数 做 AQI 预测

针对目前空气质量污染日益严重的问题，提出了一种基于神经网络的环境空气质量的预测方法。借助于Matlab分别建立空气污染指数（API）和环境空气质量指数（AQI）对空气质量影响的数学模型。利用Matlab对各污染物浓度数据进行分析，计算相应的空气污染指数（API）和环境空气质量指数（AQI），对结果进行对比。运用BP人工神经网络的多层神经网络对全市大气污染物浓度的实测值进行训练学习，建立模型。同时结合未来一周西安市天气预报，用此模型对污染物浓度进行预测和预报，以达到对大气环境质量进行预测预警的作用。应用实例表明：人工神经网络应用于大气环境质量预测预警是比较理想的。