空气污染问题给环境以及人类身体健康带来多方面的影响,该问题已经引起了社会各界的广泛关注。空气污染物浓度的变化以季节性变化为主,并且呈现一定的规律性,故而对不同的季节构建以及训练针对性的模型,对特定季节进行预测,对于污染物的防治、预警是具有现实意义的。而华北地区又是国内空气污染较为严重的地区,故将研究地区选为华北,本文的目标为利用华北地区不同季节的污染物浓度、气象数据以及相关特定辅助数据,对特定污染物进行季节性的浓度预测、城市间的扩散影响研究。传统的概率、统计、机器学习模型虽然能够取得一定的预测效果,但是由于其模型本身的局限性,当数据量以及数据特征维度增大时,这类方法在处理大规模数据时,显现出了一定的乏力。而深度学习的在面对海量数据的时候,对数据之间的深层次的关联关系可以充分地挖掘,最终得到更好的预测效果。但是当前基于深度学习的空气污染预测研究大多只关注于对下一时刻的污染数据进行预测,很少关注到空气污染物的变化是呈现季节性规律的,并根据季节性变化情况训练得到针对不同季节的针对性强的预测模型,也很少根据多个城市之间的空间影响关系,构建模型对城市区域之间相互影响进行分析,获得城市间污染物浓度的扩散影响关系。所以当前空气污染预测研究依然存在以下的不足:(1)没有充分考虑空气污染的季节性变化规律,充分挖掘季节性污染物数据及相关辅助数据之间的关联关系,提升季节性预测的预测性能;(2)在提取时序关系时,应该充分利用到上一时刻的输入数据,作为下一时刻的输入数据,同时对上一时刻提取到的重要信息进行加权,以便过滤掉一些噪音数据,提升模型的预测精确度;(3)对城市污染物之间的扩散影响考虑较少,应该根据多个城市之间的预测结果,分析污染物在多个城市之间的扩散情况。根据上述研究情况,本文根据华北地区污染物扩散的特性,除了采集到的空气污染物数据集、环境气象数据集,还加入了华北地区特有的辅助特征,以增加模型的特殊性。在此基础上,本文将构建基于深度学习的模型对季节性污染物浓度的变化趋势进行预测,以及城市间污染物浓度的季节性扩散问题进行研究。首先,构建序列到序列的模型框架,序列中的模型采用LSTM(长短期记忆神经网络)对数据集之间做到充分的时序关联性的提取,以及充分利用序列到序列框架的上下时刻间的信息传递功能,并且在Decoder部分加入注意力机制,达到对上一时刻的重要特征进行关注,降低对下一时刻预测具有负面效果的特征的权重,进一步加强模型的预测精确度。其次,针对城市污染物的扩散问题,使用GAT(图注意力神经网络)对多个城市之间的关联性做特征提取,进而采用基于BiLSTM(双向长短期记忆神经网络)和LSTM的端到端模型对提取到的信息进行进一步的时序特征的提取以及获得城市间污染物浓度相互扩散的影响力的大小和扩散趋势。本文的主要贡献如下:(1)针对不同的季节,训练针对性的模型,并且采用深层的神经网络充分提取季节性污染物数据以及相关辅助数据之间的深层次的特征关联性。(2)采用端到端的预测模型,在城市季节性污染物浓度预测时,可以充分利用上一时刻的输入,关注对下一时刻的输出的有效部分,并作为下一时刻的输入,提升了模型的预测精确度。(3)研究华北地区城市之间的污染物影响及扩散情况,GAT可以提取空间特征,与基于Bi-LSTM以及LSTM的序列到序列模型组成时空挖掘模型,发现城市间污染物浓度的扩散趋势。