空气质量在中国日常的讨论中已经占据了越来越多的专注度,污染物浓度爆表,出门带口罩,人们感受到了污染所带来的诸多不便。但是我们要知道空气污染是一个全球性问题,但是环境的治理跟经济的增速相互联系的时候,污染问题的解决往往成了被忽视的问题。呼吸疾病,肺炎,支气管炎,中风,慢性病等都是空气污染给人们的身体健康所带来的危害。全球每年由污染所带的死亡人数也是急剧增加,将近700万人因空气问题所引发的疾病而死亡,这一数据也是根据全球权威的数据报告所支撑的。因此不论是从改善个人的家庭空气质量也好,还是纵观全球的大气治理也好,这必然是一个任重而道远的任务。深度学习作为人工智能技术上的一个非常重要的分支,将它强大的特征提取和对于非线性时间序列数据的拟合能力应用在对于空气污染的预警上面其实是有很大意义的。本文希望通过过去几天的空气中主要污染物浓度的数值以及相对应的空气质量指数来对未来的空气质量进行预测。我们考虑到这种关于时间的序列,每一个输入并不是单独存在的,前后之间是相互关联的,过去的数据对未来有影响,选择使用循环神经网络来基于历史的数据进行预测。因为循环神经网络能够把前后的数据连接起来,相当于有记忆,处理时间序列数据就非常合适了。影响空气质量除了当天的其他指标外还有之前的数据,数据维度增多,对特征进行提取组合,就可以使用深度学习中的卷积神经网络,从而在本文中使用卷积神经网络和循环神经网络组合而成的混合模型,来建立空气质量预测模型。对于循环神经网络无法处理的非常长的序列,我们使用卷积神经网络将长的时间序列进行预处理,那么下采样的过程就能够使得原始的长序列转换成更短的但是经过特征提取的序列,将提取后的数据传入循环神经网络中,可以记忆长期的历史所携带的信息并且能够和当前的输入信息进行一个有效的组合,从而对于未来的空气污染进行一个很好的预测。与此同时针对我们研究的空气质量预测问题,分别利用支持向量回归算法,XGBOOST算法这两种机器学习算法和循环神经网络中的两种变体LSTM,GRU对我们收集到的空气污染数据进行回归预测,这些模型之间进行比较,以体现我们创建的CNN-LSTM混合神经网络模型的优越性。