近年来,空气污染问题严重影响着人类的健康和日常生活,同时对社会的可持续发展产生负面影响。雾霾天气是空气质量恶化最直接表现,其中细颗粒PM2.5是雾霾形成的主要原因并且成为人们日益关注的焦点。虽然在全国范围内建立了众多空气质量监测站用于实时监测,但发布的空气质量信息已经满足不了人们的需求。随着大数据和人工智能时代的来临,基于海量历史数据对PM2.5浓度准确预报成为当务之急。基于以上背景,本文采用深度学习算法对PM2.5浓度预测进行研究,主要内容如下:(1)综述PM2.5浓度预测的国内外研究现状,针对机理模型预测过于复杂,统计预测模型精度有待提高等不足,本文采用基于卷积神经网络和长短期记忆网络相结合的深度神经网络预测PM2.5浓度。(2)通过爬虫技术从公开渠道获取青岛市2014-2018五年的数据集,分析PM2.5浓度的变化趋势以及PM2.5浓度与污染物浓度(PM2.5、PM10、NO2、SO2、CO、O3)、气象因素(温度、露点、相对湿度、风速、海平面压强)等11种影响因子的相关性。(3)采用Facebook开源的Pytorch深度学习框架进行模型开发与设计,构建基于CNN-LSTM的PM2.5浓度预测模型。该模型采用前24小时数据预测后1小时PM2.5浓度值,主要流程为11种影响因子作为模型输入,经卷积神经网络模块进行特征提取,再由LSTM网络对PM2.5浓度进行预测。(4)通过MAE、RMSE、Corr三种评价指标对基于CNN-LSTM混合的深度网络预测模型、深度RNN预测模型、深度LSTM预测模型、DRT预测模型、SVR预测模型等五种预测方法进行比较。实验结果表明,本文构建的基于卷积神经网络和长短期记忆网络相结合的深度神经网络预测模型精度最高,预测效果最优。