时间序列预测是经济、商业和金融领域的一个重要课题。为了提高时间序列预测的效率，研究人员提出了许多重要的模型。找到一种能有效处理复杂非平稳时间序列的方法是非常重要的。.　过去十年，人们对使用人工神经网络（ANNs）进行预测的兴趣导致研究活动的激增。ARIMA以其简单而强大的时间序列预测技术而闻名。

本文对影响空气质量指数的最重要因素PM2.5非平稳时间序列数据的自回归综合移动平均模型（ARIMA）和长短期记忆模型（LSTM）进行了研究。同时，我们也为我们的数据集绘制了ACF和PACF、以更好地配置我们的ARIMA模型。这样一来,　我们就能够保留慢变因子对时间序列的影响，提高拟合和预测时间序列整体趋势的准确性，降低网络复杂度。我们比较ARIMA和LSTM模型，并使用了RMSE、MAE和MAPE三种性能指标、我们发现ARIMA在短期时间序列数据（小数据集）的情况下具有相对较好的结果和较低的错误率，而在长期时间序列数据（大数据集）LSTM具有更好的结果和出色的性能。这表明数据的规模对模型有很大的影响。