传统的 PM2.5预测方法主要基于物理化学建模和统计回归分析，通常需要复杂的参数设置，且高度依赖于数据质量和天气条件。机器学习是一套先进、深刻且内容丰富的算法集合，已成为数据科学最主流的分析方法。本文基于K-近邻法和决策树算法，构建PM2.5浓度预测模型，进而引入随机森林来降低决策树的预测方差。实证结果表明：KNN和决策树均能有效预测 PM2.5浓度，同时随机森林算法在不改变决策树预测误差的同时降低了预测方差，克服了决策树的高方差性。