空气质量在日常生活中受到广泛的关注,空气污染不仅能够严重影响人们的身心健康,而且也会对动植物造成严重危害。随着大数据和深度学习等新型信息技术的日益发展,如何利用空气污染大数据及深度学习技术对城市空气污染物浓度进行科学有效的预测是当前大气污染治理领域的热点问题。本文主要针对空气污染数据的时空关联性和非线性等特征进行研究,选取长短期记忆神经网络（Long Short-Term Memory,LSTM）为基础模型,对多变量时间序列数据进行实时预测。充分利用长短期记忆网络的长时记忆能力对输入数据进行表征学习,挖掘数据的潜在变化规律。本文主要对以下几个方面的内容进行研究:（1）从中国环境监测总站和美国国家气候数据中心（NCDC）收集城市空气污染实时历史数据和气象数据,了解空气污染物浓度预测的相关理论技术原理,对影响空气污染物扩散的特征因素进行皮尔森自相关分析,为预测模型的特征选取提供理论依据。（2）提出了一种基于时间序列分解的LSTM城市空气污染物浓度预测模型。首先,在长短期记忆神经网络的基础上引入CEEMD（Complementary Ensemble Empirical Mode Decomposition）算法,使用CEEMD算法对空气污染物浓度数据进行平稳化处理。然后,详细描述了CEEMD＿LSTM预测模型的构建过程以及相关的参数设置,采用“分解与整合”的思想对PM_2.5等浓度进行预测,实验结果表明CEEMD＿LSTM预测模型同时适用于PM_2.5、PM₁₀、SO₂等空气污染物浓度的预测。最后,为了更进一步的展示预测模型的优越性,将CEEMD＿LSTM预测模型与其他的神经网络模型（BP神经网络、RNN神经网络）和传统机器学习模型SVR等进行对比,对比发现CEEMD＿LSTM模型预测效果最优。（3）从输入数据的角度,对模型建立了基于时间、空间的优化策略,提出了一种基于时空优化的CEEMD＿LSTM预测模型。着重通过探究不同滑动时间窗口T对模型的影响进行基于时间方面的优化,引入周边城市的空气污染数据和气象数据进行空间方面的优化。实验结果表明:基于时空优化的CEEMD＿LSTM预测模型性能最优,次之为基于时间、空间的预测模型。（4）引入SAE（Stack Auto Encoder）编码器,构建了一种基于特征降维的CEEMD＿LSTM预测模型。首先利用预先训练好的SAE进行数据降维,然后构建了SAE＿CEEMD＿LSTM模型结构,最后通过实验对PM_2.5浓度进行预测,实验结果表明,改进后的SAE＿CEEMD＿LSTM模型预测精度更高。