为了提高细颗粒物PM2.5浓度预测精度,提出一种主元成分分析与在线序列极限学习机相结合(PCA-OS-ELM)的PM2.5浓度预测方法.首先,通过主成分分析方法(PCA)提取高维大气数据中影响空气质量的关键变量,并去除不必要的冗余变量;其次,利用提取的关键变量建立在线序列极限学习机(OS-ELM)网络预测模型,将批处理和逐次迭代相结合,不断更新训练数据和网络参数实现大气PM2.5浓度快速预测.研究结果表明,PCA-OS-ELM预测方法采用不同批次训练数据更新模型的方式,能够快速实现大气PM2.5浓度预测,证明了该方法的有效性.与其他方法相比,该方法预测误差小,预测精度高,具有更好的实用价值.