时空序列数据指的是数据既随时间发生改变也在空间上呈现一定分布,以空气质量数据为例,一个地区的所有空气质量监测站点记录的数据就构成一组时空序列数据。直接对时空序列数据建模预测不仅可以更好地提取数据在时间和空间上的相关关系,而且相比于针对各空间节点单独构建时间序列预测模型可以降低模型的参数和训练时间。本文主要以甘肃省的PM2.5数据为例设计了一个时空序列预测模型,并针对数据特点对模型做出了改进。本文利用图卷积处理PM2.5数据中存在的空间信息并利用长短期记忆网络的门控机制提取数据中的时间信息。在PM2.5预测中,通常会用到各种空气质量特征和气象特征,但由于两种数据特征分别由不同类型的监测站点统计,因此无法直接利用同质图卷积算法直接进行处理。针对该问题本文考虑将空气质量监测站点和气象监测站点看做一张二部图并进行二部图结构设计,接着利用二部图恢复得到空气质量监测站点之间的图结构,这样就可以利用同质图算法计算而且不丢失气象数据的信息。然后设计了针对二部图的图卷积过程并将其与长短期记忆网络结合得到了二部图卷积长短期记忆（Bi G-LSTM）时空序列预测模块,该模块不仅可以聚合空气质量站点和气象站点中的空间信息,也可以提取数据中的时间信息。进一步为了更好地提升模型的长时预测能力,利用Bi G-LSTM时空序列预测模块搭建了一个编解码器结构的时空序列预测模型。通过对比不同模型在甘肃省所有空气质量监测站点上的PM2.5预测效果并进行非参数检验,发现Bi G-LSTM要优于对比模型。