芒果目标产量预测对于了解芒果产量变化趋势、规划发展芒果生产,加强气候灾害的防御和治理能力,推进农业信息化有着重要意义。影响芒果产量的相关气象要素繁多,它们与产量之间的关联关系复杂,难以用数学函数准确地描述。针对该问题构建了一种基于Self-attention机制具有长短期记忆功能的双向门控循环单元和卷积神经网络组合(Self-attention CBi GRU)模型,该模型能够学习复杂气象数据与产量之间的内在联系,从而获得较准确的芒果产量预测模型。利用Data Castle大数据竞赛平台的北京市2010年1月1日-2014年12月31日PM2.5气象数据和大气污染物数据,该数据与影响芒果产量的环境信息相类似,都包括多个特征并且是时间序列数据进行可靠性验证试验,该模型在预测准确率上得到了一定程度的提升,验证了Self-attention CBi GRU模型的可靠性。同时将Self-attention C-Bi GRU模型与其他深度学习模型对比,验证了Self-attention C-Bi GRU模型的有效性。利用广西某地3个气象站所收集到的24个芒果生产周期年份(从前一年第22旬到当年第21旬)每旬9个气象要素及芒果产量数据进行分析建模,建立了芒果产量Self-attention C-Bi GRU预测模型。实验结果表明:Self-attention C-Bi GRU模型预测的产量与实际产量的均方根误差为10.67,比支持向量回归SVR(17.14),误差后向传播神经网络BPNN(18.43),门控循环单元GRU(12.95),基于注意力机制的双向门控循环单元Bi GRU-Attention(11.13),门控循环单元和卷积神经网络组合模型GRU-CNN(11.27),双向门控循环单元和卷积神经网络组合模型C-Bi GRU(11.35)分别平均降低了37.7%,42.1%,17.6%,4.1%,5.3%和5.9%。Self-attention C-Bi GRU模型预测值和芒果实际产量吻合度高,具有较高的预测准确性。