随着工业化和城镇化进程的日益加快,我国许多城市的环境空气质量都呈现恶化趋势,环境空气重污染事件频发,影响范围越来越广,对居民健康和社会经济的危害日趋显著。PM2.5是造成雾霾天气、降低能见度,危害人体健康的主要因素。研究掌握区域性大气PM2.5浓度的影响因素、时空分布特征,探索有效的区域性大气PM2.5浓度预测模型对于降低民众的健康风险以及为区域大气污染治理和联防联控措施的实施提供科学参考和决策依据具有重要意义。本文针对PM2.5浓度预测问题,主要做了以下几方面研究工作:(1)研究一种时段划分方法和多时段PM2.5浓度预测方法PM2.5浓度时间序列受季风和采暖排放的影响在不同的时段内表现出不同的行为模式。为了更好的拟合不同时段内的PM2.5浓度时间序列,本文提出一种多时段PM2.5预测方法。首先,提出一种基于密度峰值-扭曲K均值(Density PeakWarped Kmeans,DP-WKM)的时间序列聚类算法进行时段划分。其次,在每个子时段内分别建立基于注意力机制长短时记忆网络(Attention Long Short Term Memory Network,AT-LSTM)的预测模型,该网络能够提取长期宏观依赖关系,并且能够提高对关键时间步的记忆权重。实现结果表明,基于多时段AT-LSTM的PM2.5预测模型在多个监测站点的数据中均有最好的表现。(2)研究一种基于多时段组合模型的PM2.5浓度预测方法PM2.5浓度时间序列具有复杂的混沌特性和非线性特征,仅用一种模型难以完全把握其特征。组合模型可以结合不同子模型的长处,达到互补短处的目的。为了进一步提高预测模型的精度和稳定性,在使用基于压缩-激励块的全卷积神经网络(Fully Convolutional Network,FCN)提取短期局部依赖关系的同时,使用AT-LSTM网络提取长期宏观依赖关系,并在隐层实现特征融合,建立一种基于多时段AT-LSTM-FCN的PM2.5浓度预测模型。实验结果表明基于多时段ATLSTM-FCN的PM2.5浓度预测模型能够有效跟踪PM2.5浓度时间序列的复杂波动。(3)研究一种基于多时段多任务学习组合模型的PM2.5浓度预测方法在同一区域内不同监测站点的PM2.5浓度时间序列有类似的变化特征,此外受到扩散作用的影响,不同站点间的污染物也存在一定程度的相互影响。多任务学习方法能够挖掘并利用隐藏在不同任务之间的相同特征,最终达到提升每个学习任务的效果。因此,研究并建立了一种基于多时段多任务学习的组合预测模型,利用模型的底层网络学习不同监测站点PM2.5浓度时间序列的共同演化特征,并利用模型的高层网络分别学习不同监测站点PM2.5浓度时间序列的专属特征,建立多站点PM2.5浓度预测模型。