随着工业科技的发展,空气质量对人们生活的影响愈发严重,其中PM2.5的影响尤其突出。所以如何加强对PM2.5进行精准监控和精确预测,从而及时做出一系列的防治措施,已经成为一个具有深远意义的研究课题。当前生活中的常见的传统监测方式多为单点固定方式,即采用某个点数据去代表大面积区域的整体PM2.5浓度值,但实际上,一个点的数据难以描述全区域内部的PM2.5浓度分布,而且所建立的模型在对PM2.5预测时,在时序处理上常常忽略其他特征的影响,从而导致模型的预测效果差。因此,本文提出了群组移动监测方式,并为此研发了基于激光传感器的可移动式PM2.5采集硬件,得到与真实位置精准对应的数据对全区域进行覆盖以描述区域内部浓度分布。针对所采集数据的规模大、复杂性高及难处理的特点,本系统以数据散度作为主要距离参数进行K均值（K-means）聚类分析,进行时空高相似（Spatiotemporal Similarity,STS）区域分割。根据每个相似域数据集加入注意力机制分别提取主次特征,增强模型的鲁棒性。最后,在基础LSTM单元上,设计多间隔输入时间门减少预测滞后以及粗大数据对模型训练过程的影响,运用多层多间隔长短时记忆神经网络算法模拟全局空间序列PM2.5浓度的变化规律以建立时空相似-长短时记忆神经网络（Multi Interval Spatiotemporal Similarity-Long Short-Term Memory,MISTS-LSTM）预测模型,并将预测结果与LSTM、以及其它现有算法对比研究。结果表明,本文所建的基于MISTS-LSTM的空气质量预测模型不仅能准确预测未来一段时间内PM2.5浓度值变化,而且能在空间域上实现精准预测。与其它算法相比,本文建立的MISTS-LSTM模型预测精度最高提高约79%。因此,本文提出的基于MISTS-LSTM的预测模型在对PM2.5预测时具有更优的预测效果及更广的有效覆盖范围,能够更好的解决站点预测结果与实际生活环境浓度不符的情况。