近些年来,由于我国社会经济和工业化的快速发展,交通规模的不断扩大,能源结构不合理等方面的问题给大气环境带来了前所未有的压力,空气质量受到了环境管理者和市民的高度关注。因此,当前一个紧迫的研究问题为怎样在环境污染天气来临之前就可以准确预测,并采取相应的措施来加以预防,以此降低恶劣环境带来的危害。人们逐渐认识到,在污染问题愈加严重的情况下,进行空气质量预测方面的研究具有非常重大的意义。开展空气质量的预测研究,不仅可以对空气污染的变化趋势有一个更好的了解,而且可以及时、准确、全面地掌握空气质量情况。另外,有效、准确的空气质量预测研究结果对城市环境污染治理、城市建设和公共卫生等领域都具有重要的参考意义。由于大气环境系统是一个兼具复杂性和可变性的系统,过去几十年累积了海量的监测数据,而传统的预测模型难以在大量的历史监测数据中捕捉到有效信息而导致预测结果不理想。因此在空气质量的预测研究中,建立一个有效的空气污染预测模型成为降低环境污染对健康的负面影响并制定更加完善的预防政策的可靠工具。近几年,深度学习方法在各类时间序列预测问题上被广泛应用,其中注意力机制更是展现了其强大的时间序列处理能力,然而利用注意力机制来进行空气质量领域预测的研究还未有。本文提出利用长短时记忆网络结合注意力机制构建一个时间序列预测模型,并将其应用到空气质量预测领域中,借助其强大的非线性处理能力和容噪能力来实现对空气质量的高效预测。本文在长短时记忆网络的基础上加入注意力机制建立了一个用于PM2.5浓度预测的Attention-LSTM模型,结合北京市2017-2019年的空气质量逐时数据及同时期的气象要素数据,设计了两个不同维度输入的实验来进行PM2.5浓度的预测,采用均方根误差(RMSE),平均绝对误差(MAE),皮尔森相关系数(P)三个指标进行模型性能的评估,并通过与其他传统算法的预测结果进行对比,结果证明,注意力机制在预测空气质量方面具有明显的优势。另一方面,基于本文所介绍的数据集,通过相关性分析探索影响空气质量的重要因素,结合准确的预测结果为后期相关部门加强空气污染防治,预防严重污染事件提供更为及时、准确的空气质量信息。