为了解决PM2．5的多站点同步预测问题，在贝叶斯的框架下提出了一种分层自回归时空模型。PM2．5天平均浓度的实际值被视为一个潜在的时空过程。采用一阶自回归过程描述时间相关性，在Matrn过程的基础上捕获空间相关性，大大提高了降维和同步预测的效率。此外，日最高气温、相对湿度和风速等气象因素也被用作解释变量，以提高PM2．5的预测效果。借助于模型的层次结构，采用贝叶斯方法结合马尔可夫链蒙特卡罗（MCMC）算法实现了参数估计和预测过程。对北京市PM2．5日平均浓度的实证分析表明，该模型在空间和时间维度上具有良好的插值或预测效果。