随着社会经济的发展,雾霾污染变的日益严重,对人们的生活造成了严重的影响。PM2.5作为雾霾浓度数据中的主体,受到了学术界和工业界的广泛关注。目前已有大量的PM2.5预测模型被提出。然而,PM2.5的来源的多样性给准确的预测出其浓度值带来了挑战。不仅如此,雾霾污染数据具备线性化,差分化的特点,普通的预测方法无法兼顾这些特点,这也给雾霾预测带来了挑战。为此,本文从雾霾特征的角度出发,通过寻找各特征间的相关性和不同时刻下雾霾数据的差分性,建立可靠的预测网络。总而言之,本文主要工作如下:1.针对雾霾浓度数据具有高度相关性特征,本文提出了用于雾霾浓度预测的CDBGRU网络（Convent Dense Bidirectional Gate Recurrent Unit）,提高了雾霾浓度预测的准确性。CDBGRU利用皮尔逊相关系数对原始雾霾浓度数据进行了相关系数计算,并挑选出与PM2.5浓度最为相关的若干特征,减小了原始数据中冗余信息对预测精度的影响。其次,该网络利用1D卷积网络强大的特征提取能力,对筛选后的特征做了进一步的处理,不仅提升了模型的预测精度,同时还在一定程度上缩短了计算时间。最后,本文利用双向GRU的正向和反向预测能力,设计并完善本文网络。CDBGRU从特征处理入手,充分利用了特征之间的线性相关性,从而完成对PM2.5更为精确的预测。实验通过与其他网络的预测精度对比,证明了CDBGRU在大多处场景中具有一定的预测准确性与稳定性。2.针对雾霾数据时序特征复杂的特点,本文提出了基于趋势变化的TSLSTM网络（Trend Supervised Long Short Time Memory）,用于趋势监督下的雾霾浓度预测。在TSLSTM中,损失函数得到了足够的优化。其他方法仅局限于精度的预测,忽略了趋势变化带来的影响。而TSLSTM更注重于数据趋势的变化,并利用监测的趋势反监督于预测数据。不仅如此,本文还利用ARIMA的思想,将原始数据差分化,从而得到更为精确的趋势变化。随后,TSLSTM对LSTM单元进行了改进,使其透明化,更容易监督数据流向。同时,TSLSTM更改了LSTM的输入,使LSTM在训练过程中就可有意识的训练数据趋势,从而完成更为精准的预测。实验表明TSLSTM在不同时间间隔,不同地区雾霾数据的预测中都有良好的表现,证明了该网络的有效性与稳定性。本文将结合上述主要工作,从网络改进和趋势监督两个方向对当前的预测算法进行改进,提升预测精度,在雾霾浓度预测领域具有一定的实用价值和理论价值。