当前,我国移动污染源污染问题日益突出,济南市作为山东省的省会城市,是山东半岛的重要交通枢纽,截至2018年底,济南市的机动车保有量新注册量和年增量均达历史最高水平,超过230万辆。济南市的大气污染类型,也在向“煤烟型+机动车排放型”的复合型污染模式逐步转化,交通污染已成为影响济南空气质量的主要源头之一。本文分析了济南市区主要道路交通流量与各空气污染指标的时间和空间变化的现状规律,并对样本数据进行灰色关联度分析,探索机动车尾气对城市环境空气质量的影响程度。为了增加预测模型的可解释程度,将气象因素加入特征因子中,利用实时交通数据及气象数据,结合空气质量地面监测站监测数据通过集成学习算法更准确的进行道路空气污染预估。最终利用集成学习算法建立分类预测模型,并选择传统机器学习算法与集成算法的预测表现做对比分析,为济南市道路交通空气污染管控提供相应的数据支撑,实现从移动污染源头入手改善城市空气质量的目标。同时,因考虑到,除受机动车污染外,道路空气质量受工业污染的影响也较明显,因此本文通过爬取城市兴趣点数据判断道路附近的工厂点位密集程度,选取非工厂密集分布路段和工厂密集分布路段两组样本数据,并分别对其进行灰色关联分析与预测,通过对比两组研究结果,以分析工业污染对本文研究内容的干扰程度。研究发现,交通因素与气象因素与城市道路空气质量均有较高的关联度,车流量因素对城市道路空气质量的影响程度大于车速。在气象因素中,影响最大的为风速,且温度对O31的影响也较明显,O31浓度变化有显著的季节性趋势。通过对关联度的综合评分,发现受交通因素影响最大的污染物为O31。在预测分析中,发现集成算法的模型表现效果普遍较好,其中XGBoost算法表现最优。实际应用中,建议环保部门接入交通流及气象数据预测第二天各时刻的O31污染状况。未来济南市对道路空气污染的防控应重点关注O31,尤其在夏季O31污染高发季,对道路车流量进行分车型分时段管控。相关部门也可结合模型对道路O31污染状况的预测及时作出预防策略并对建议人们减少午后至傍晚出行,合理安排出行时间。