大气能见度是反映大气透明度的指标,它与人类的日常生活密切相关,能见度的好坏可以直接反映一个地区的大气环境质量。而大气能见度水平在近几十年来呈现总体下降的趋势,局部地区大气能见度低、雾霾发生频率高,严重影响人们的正常生产和生活。此外能见度下降会带来多种直接或间接的经济损失,比如导致旅游收入减少、交通延误、安全事故频发以及潜在的人员伤亡等。随着数据收集和存储成本的下降,大部分地区各类气象数据都可以被精确地测量并存储,为该领域的科学研究提供了丰富的数据。大气能见度影响因素分析可以揭示大气能见度与其他影响因素(如温度、湿度、降水量等)之间存在的潜在联系,在环境关系、空气污染追因和雾霾治理方面具有重要意义,而对于大气能见度的精准预测又能够保障交通安全,尤其对低能见度天气信息的预测可以使人们有针对性地控制和预防空气污染事件的发生、减少污染天气造成的各种损失,这对于交通运营管理部门、广大出行市民和保持良好的空气环境都具有积极的意义。在大气能见度影响因素分析方面,传统的基于统计的方法无法表征大气能见度与其影响因素之间复杂的非线性关系,因此得到的影响因素分析结果存在一定的改进空间,另一方面,在多站点的大气能见度预测研究中,传统方法多为基于每个气象站点分别建模预测,这种方法不仅时间耗费大,而且没有考虑气象站点之间的地理位置联系,因此预测结果的准确性还有待提升。为了改进这种不足,本文提出了基于Granger因果关联的大气能见度影响因素分析方法,这种方法可以学习到气象数据中复杂的非线性因果关系,得到大气能见度及其他影响因素之间定性和定量化的Granger因果关系强弱。另一方面在多站点的大气能见度预测部分,为了同时获取气象站点之间的地理位置和时间对于大气能见度的影响,本文提出了STAM-GCN(Spatial Temporal Attention Mechanism-Graph Convolutional Network)模型,通过时空卷积模块分别提取时间和空间特征,并引入注意力机制,最终得出高准确度的预测结果。在实验评估上分别采用了MAE、MSE、RMSE和拟合优度作为度量标准,实验表明本文提出的方法均取得了较优的结果,证明本文提出的方法具有一定的实用价值。