目的 探究基于实时室内空气环境监测数据与机器学习算法的医院室内空气微生物浓度预测。方法 选取2022年5月23日—6月5日某院四个位置为监测采样点，采用物联网传感器实时监测多种空气环境数据，匹配各点位采集的空气微生物浓度数据，使用梯度提升树算法(GBDT)对医院室内空气微生物浓度进行实时预测，并选取其他五种常见的机器学习模型进行比较，对比模型包括随机森林(RF)、决策树(DT)、最近邻(KNN)、线性回归(LR)和人工神经网络(ANN)。最后通过平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)三个指标验证模型的有效性。结果 GBDT模型在门诊电梯间(A点)、支气管镜诊间(B点)、CT候诊区(C点)和供应室护士站(D点)的MAPE值分别为22.49%、36.28%、29.34%、26.43%,GBDT模型在三个采样点的平均性能高于其他机器学习模型，仅在一个采样点略低于ANN模型。GBDT模型在四个点位的平均MAPE值为28.64%,即预测值偏离实际值28.64%,说明GBDT模型预测结果较好，预测值在可用范围内。结论 基于实时室内空气环境监测数据的GBDT机器学习模型能够提高医院室内空气微生物浓度预测精度。