该文综述了空气质量预测的机器学习方法，包括深度学习、图神经网络和物理引导模型。研究采用CNN与双向LSTM、群组感知图网络及自适应动态图网络等，建模时空与多元相关性，提升PM2.5、NO2等预测精度；结合物理定律与神经网络增强泛化性和科学一致性，并探讨低成本传感器校准问题。

该文综述机器学习在空气质量分析中的应用，涵盖缺失数据填补、Transformer预测模型、室内污染估计、低成本传感器校准、社交媒体图像监测、图神经网络城市群预测及深度学习PM2.5预测，并分类现有方法，提供公开数据集与未来方向。