在本文中,我们通过使用机器学习方法来预测空气污染物(例如臭氧、PM)的小时浓度来处理空气质量预测2.5和二氧化硫)。机器学习作为最流行的技术之一,能够利用大规模优化算法有效地训练大数据模型。虽然有一些工作将机器学习应用于空气质量预测,但大多数先前的研究仅限于小规模数据,并且仅训练标准回归模型(线性或非线性)来预测小时空气污染浓度。在这项工作中,我们将24小时的预测作为一个多任务学习问题,提出了基于前几天气象数据的精细模型来预测小时空气污染浓度。它使我们能够用不同的正则化技术选择一个好的模型。我们提出了一种有用的正则化方法,通过加强连续小时的预测模型使其相互接近,并与几种典型的多任务学习正则化方法进行了比较,包括标准Frobenius模正则化、核模正则化,ℓ2,1规范规范化。我们的实验表明,所提出的公式和正则化比现有的标准回归模型和正则化具有更好的性能。