近年来,空气污染已成为社会关注的热点问题之一,空气质量数据可以为空气污染精准治理提供科学依据。为了掌握空气污染情况,多地政府建立了空气监测站实时监测地区的空气质量,但并不能对未来空气质量进行精准的预测,因此,对于空气质量预测的研究可提高政府对空气污染精准治理的能力。神经网络和深度学习等人工智能方法已经在多个领域有了广泛的应用,相关研究者也将其应用于空气质量预测的研究。现有的预测方法研究存在以下不足:第一,由于空气具有扩散性,待预测空间位置的空气质量易受邻近区域空气质量的影响,现有的研究没有考虑影响空气质量的时空因素。第二,传统循环神经网络模型直接应用于空气质量预测中,会因为训练序列长度增大而导致梯度消失及误差积累等问题。第三,依靠短期数据建模进行空气质量预测,没有考虑空气质量数据的周期性特点。针对上述问题,本文主要研究内容如下:首先,针对空气质量的时空因素影响问题,提出了一种面向空气质量预测的空间划分估值方法。依据多组数据训练得到的最优划分半径和层数,对监测站点进行空间区域划分,获得与该监测站点具有空间相关性的区域,对空间上稀疏离散的空气质量监测数据采用空间插值法进行空值区域填充,将其转换为聚集的区域数据,从而得到细粒度的空气质量数据,解决了空气质量预测时对时空影响因素考虑不充分的问题。其次,针对梯度消失及误差积累问题,提出一种基于注意力机制的时空周期性神经网络空气质量预测模型（ASTPN,Attention based on Spatial and Temporal Periodic Neural Networks）。ASTPN模型融合了循环神经网络和注意力机制,在基于时空因素的基础上,综合考虑空气质量数据短期、长期和周期性趋势的特点,解决了现有方法仅依靠短期趋势建模的不足,以及传统循环神经网络模型因训练序列长度增加而存在的梯度消失及误差积累问题。最后,为验证ASTPN模型的性能,本文以北京市空气质量监测站的PM2.5浓度和SO₂浓度数据为实验数据集,将ASTPN模型与ARIMA模型、SVR模型、LSTM模型和Geo MAN模型四种模型进行了空气质量24小时预测的对比实验分析。实验结果表明,本文所提出的ASTPN模型预测误差小,预测精度更高。