能源的大量消耗与交通工具保有量不断提高,导致空气污染等问题日益突出。极大威胁着人们的身体健康。其中,PM2.5会对气候变化以及人类的生活环境产生直接或间接的影响。因此,PM2.5浓度预测是一项不可或缺的工作,科学且准确地预测PM2.5浓度能指导国家的空气污染防控工作,社会的活动组织和城市居民的合理出行。目前相关研究在选取预测的辅助参数时,采用相关系数的方法,但是相关并不意味着存在因果联系;在PM2.5浓度预测的深度学习模型中加入了各种参数,但忽略了PM2.5浓度扩散过程的数据表达方法。针对上述问题,本研究利用长三角地区2019年1月1日至2019年12月31日的逐小时空气质量监测数据、相应时段的模式再分析资料数据分析长三角地区PM2.5浓度时空变化规律和PM2.5浓度与其他污染物浓度及其与气象参数的因果关系特征,在此基础上提出了一种基于深度学习模型的顾及扩散过程的PM2.5浓度预测方法。设计了一种“扩散采集器”来表达气态污染物的扩散过程并将其采集的临近站点的PM2.5浓度数据作为深度学习模型的输入参数;再进行多个深度学习模型的对比;然后采用因果分析信息流的方法与相关系数方法对比进行预测辅助参数的选取,并进行单因素预测敏感性分析以评价因果分析方法于预测问题参数选取的可行性。结果表明:（1）PM2.5浓度变化呈现一定的时空特征,从整个时间序列图来看PM2.5浓度特征不明显,难以捕捉,长三角地区PM2.5浓度小时变化呈“正弦函数”形状,日均PM2.5浓度变化较为平缓,月均浓度变化呈“V”形状;长三角地区PM2.5浓度分布呈现自东南向西北渐次递增的空间分布格局;同时,空气质量检测站点上的PM2.5浓度具有较强的空间自相关特征。（2）从不同预测模型的对比来看,在这些深度学习模型中,长短期记忆神经网络（Long Short-Term Memory,LSTM）对PM2.5浓度预测的精度和拟合优度最高,LSTM在预测未来一小时的PM2.5浓度有更好的效果,表明深度学习模型能够有效地捕捉时间序列数据的时间依赖性。这也使得它们在时间序列预测方面具有独特的优势。。（3）采用“扩散采集器”方法组织邻近站点的PM2.5浓度数据进行PM2.5浓度预测效果更好,均方根误差平均降低12.99%,决定系数平均提高0.026,同时也反映了“扩散采集器”具有很好的泛化能力,充分说明了气体扩散过程的表达在模型预测中具有重要而积极的作用。（4）根据单因素敏感性分析的结果,辅助参数对于PM2.5浓度预测精度提高与各因子对PM2.5的信息流的大小存在着一致性的特点。因此,因果分析信息流的方法作为PM2.5浓度预测的辅助参数选取依据是可行的,且强于相关系数的方法。