吕秋明，莫欣岳*，李 欢

（海南大学 网络空间安全学院（密码学院），海南 海口）

引言

空气污染是全球性的环境问题，尤其在城市地区。随着工业和交通运输业的迅速发展，城市空气污染问题愈发突出。作为空气污染的重要成分之一，PM2.5对环境和人类健康的影响已引起广泛重视。随着人们对环境和生活质量需求的提高，对空气质量的关注也越来越高。因此政府部门不断加强对空气质量的管控，对以PM2.5为首的空气污染物开展预报预警，有助于采取及时有效的防控措施，保障生态环境和公众健康[1]。

近年来，机器学习特别是深度学习技术的成功应用也为空气污染预报提供了新的思路和方法。深度学习是一种基于人工神经网络的模型算法，具有很强的特征提取和自适应学习能力，可以对复杂的非线性关系进行学习和模拟。针对空气污染预报问题，已有学者尝试基于深度学习的方法开展研究[2]。例如Tao等[3]结合卷积神经网络（CNN）与双向门控循环单元网络(BiGRU)提出一种深度学习模型(CBGRU),该模型通过CNN 对数据下采样减少数据的复杂性,并使用BiGRU挖掘时间信息特征。

不同深度学习算法具有不同特点，例如卷积神经网络（CNN）具有较好的特征提取能力，而长短期记忆网络（LSTM）擅长时间序列分析。本研究引入多种深度学习算法，不仅融合了CNN和双向长短期记忆网络（BiLSTM）的特性，而且加入先进的注意力机制（Attention），建立了深度学习组合模型CNN-BiLSTM-Attention。基于深度学习组合模型开展PM2.5浓度预报，并对模型的预报效果进行了量化分析和评价。……