随着科技的发展,社会的进步,人们欣喜于生活质量提高的同时,也遭受着空气污染带来的危害。现今,全社会高度重视空气质量,但是空气质量变化情况仅靠主观判断远远不够,因此对空气质量进行定量分析,对未来空气质量进行精准预测显得尤为重要。空气质量指数AQI正是定量描述空气质量好坏的指标,基于AQI对空气质量进行分析推断有重要的现实意义。对于AQI的研究,大多学者采用BP神经网络模型、灰色预测模型、ARIMA模型,但是根据AQI呈现的季节性,应用ARIMA季节模型的研究相对较少。本文首先利用八爪鱼采集器获取了 2014年至2019年济南市AQI及六大污染物浓度数据,利用R软件中的可视化工具ggplot2对近六年来的空气质量进行可视化分析,结果显示近年来优良天数增多,空气质量总体呈现出改善的趋势,AQI及污染物变化特征呈现出明显的季节性。然后,利用多元统计分析方法,建立了 AQI及污染物在供暖期以及非供暖期的多元回归方程,定量地分析出对AQI影响较大的污染物为PM2.5,为针对性的治理空气污染提供坚实的理论依据。利用两个时期的回归模型对AQI进行预测,以此来检验回归效果,预测效果较好,但是此模型无法对自变量未知情况下的AQI进行预测,因此进一步选择建立时间序列模型。最后,利用ARIMA加法季节模型对AQI进行预测,发现加法季节模型预测效果较好,其预测检验结果显示预测值与真实值相对误差控制在12%以内,模型精确度较高。因此利用加法季节模型对未来五个月的AQI进行预测,预测结果符合AQI的季节变化特征,合理可信,为未来治理空气污染提供依据。