徐爱兰，朱晏民，孙 强*，於香湘，彭小燕

（1.南通大学 信息科学技术学院，江苏 南通 226019；2.江苏省南通环境监测中心，江苏 南通 226006；3.南通市气象局，江苏 南通 226006）

近年来，随着工业化与城市化进程的不断加快，空气污染问题也越发严重。空气污染会对公众的日常生活造成负面影响，甚至会引发一系列健康问题[1-3]。开展环境空气质量预报工作是保障及时妥善应对重污染天气的重要技术手段，对区域大气污染联合减排也具有指导意义。

现有的空气质量预报方法主要有数值分析法与统计分析法。然而，数值预报法通常需要准确的输入数据和昂贵的计算资源来进行空气质量预报；而统计预报法对于非线性变化的污染物浓度预报准确性较低[4]。目前通过人工智能、机器学习等方法实现环境空气质量预报已成为各国环保领域的研究热点和发展趋势[5-6]。文献[7-8]分别采用时空极值学习机算法和Light-BGM 方法研究PM2.5浓度。深度学习方法是近年来新兴的一种机器学习算法，通过对大量数据的学习训练，发现其中的内在特征，从而提升分类或者预测的准确性。主流的深度学习方法包括卷积神经网络（convolutional neural network，CNN）、循环神经网络（recurrent neural network，RNN）、长短期记忆网络（long short-term memory，LSTM）模型及各种模型相结合的方法[8-9]。已有国内外研究学者提出将深度学习模型应用于空气质量预报领域[10-13]。目前主流的混合深度学习模型由CNN 和LSTM 组成，可以提取出训练数据的时空特征[14-17]。Huang 等[18]以北京市为案例，通过对过去24 h PM2.5浓度与气象数据进行训练分析，给出未来1 h 的PM2.5浓度预报，但该方法并未考虑到站点间的空间相关性问题。……