空气质量的优劣与人民的幸福指数和身体健康息息相关。然而,随着中国近几十年工业化快速发展和城镇迅速扩张,环境问题凸显。很多地区正遭受着严重的空气污染问题,数以百万计的呼吸系统疾病是由不良的空气质量引起的。因此,对空气质量的科学分析和准确预测,成为决策部门与相关人群提前采取防范措施、预防疾病的必要条件。大气污染物浓度是和时间及空间相关的序列,其不仅在序列内部存在时间关联,序列之间还存在一定的依赖关系。基于数理统计的机器学习方法应用到空气质量预测中需要进行复杂的特征工程,空气质量的准确预测还面临较大的挑战。得益于深度神经网络的发展,基于神经网络的方法应对多种非线性复杂任务都有很好的效果。然而深度学习方法应用于空气质量预测也有其局限性,其一,类似于卷积神经网络(CNN,Convolutional Neural Network)或循环神经网络(RNN,Recurrent Neural Network)的方法无法用一个模型适应输入或输出中不同的序列长度;其二,直接使用序列到序列(Seq2Seq,Sequence-to-Sequence)模型会出现预测性能随着预测时间推移出现衰退的问题。为了提升预测效果,在Seq2Seq模型框架基础上,本文提出新的空气质量预测方法,具体如下:第一,本文提出一种基于注意力机制的预测方法(AMAQP,Attention Mechanism based Air Quality Predictor),旨在提升Seq2Seq的预测效果。首先,AMAQP在解码阶段引入了注意力机制(Attention Mechanism)用于上下文向量的计算。注意力机制学习原始数据的权重分布策略并将所有的编码状态融入到上下文向量,进一步增强时间特征的表示能力。其次,针对编码器和解码器中RNN难以训练、容易产生梯度爆炸或梯度消失的问题,本文采用长短期记忆网络(LSTM)作为编码器和解码器的模块替代原始的RNN结构,以更好应对长时依赖问题。除此之外,还试验了不同损失函数对模型的影响,将三种不同的损失函数分别应用到模型的训练。实验表明,使用注意力机制能够提升空气质量预测的准确性,选用合适的损失函数使得AMAQP性能获得进一步提升。第二,本文提出MSAQP模型,旨在解决使用注意力机制的Seq2Seq训练速度较慢、预测性能随着预测时间推移出现衰退的问题。该模型使用自注意力机制和位置编码作为编码器和解码器,自注意力机制不再需要依赖于RNN就可以完成对序列的编码解码神经网络,这是区别于普通注意力机制的。自注意力机制自适应学习大气中多种影响因素间的相关性,可以一步到位获取全局信息。由于注意力机制的大量运算使得模型的训练时间变长,本文采用多步递归输出策略,一次预测多个时间步长,减小递归预测而产生的误差积累同时提升训练速度。实验证明,MSAQP的训练速度能够接近Seq2Seq。此外,自注意力机制能更充分利用序列信息,在预测时间变长的情况下没有出现明显的预测能力下降,在MAE、R＿Squared评价指标上均优于SVM、LSTM、GRU等多种主流预测模型,从而对北京市未来24小时PM2.5浓度的预测实现了较高的准确性,为政府部门和市民出行提供数据支持。