长期以来,世界各地受空气质量问题困扰,尤其是PM2.5污染。而传统的统计模型预测PM2.5存在准确率低、预测时间步少等问题。针对以上问题,本文提出了一种基于数据驱动的深度学习模型CNNs-GRU。同时,设计了无锡市PM2.5预测软件,能精细化预测未来6小时的PM2.5浓度。论文的主要工作如下:1.分析现有统计模型预测PM2.5的国内外研究现状,归纳其存在的问题,并提出了一种基于数据驱动的PM2.5预测模型CNNs-GRU。该模型由CNNs结构、GRU网络和全连接网络三部分组成。其中,CNNs结构可以自动提取、融合多站点多模态空气质量数据的局部变化趋势和空间关联特征;GRU网络能捕获时间序列的长期依赖特征。前两部分结合,能自动提取空气质量数据的时空特征,提高PM2.5预测准确率。最后,全连接网络输出PM2.5的最终预测结果。2.设计了基于CNNs-GRU模型的无锡市PM2.5预测软件,其功能模块包括数据库设计、空气质量数据获取、数据预处理、预测模型实现和可视化界面设计。数据库设计需要根据软件的实际需求设计表结构,用于存储原始空气质量数据、预处理结果、预测结果等过程数据,是整个预测软件的数据交互中心。数据预处理功能主要对原始空气质量数据进行数值化编码、缺失值填充等操作,获得预测模型能直接使用的数据形式。CNNs-GRU模型实现是整个预测软件的核心,本文采用深度学习框架Keras建模,并使用BatchNormalization、Earlystop等方法对预测模型进行优化。最后,使用可视化图库Echarts和百度地图API设计Web界面,实时展示PM2.5预测结果。3.构建了测试环境,对无锡市PM2.5预测软件的空气质量数据获取、数据预处理、预测模型实现和可视化界面设计四大功能模块进行功能测试;分析了CNNsGRU模型和ARIMA、ANN、LSTM、APNet(LSTM/GRU)、RNN-CNN六种模型的预测性能。在无锡市2017年1月份、6月份两组测试集上,CNNs-GRU模型的预测准确率(100-MAPE)分别高达76.902%、70.053%,较其它预测模型至少提高6.6%、5.1%;同时,该模型的RMSE指标为15.570、9.577,MAE指标为10.720、7.068,均明显优于其它六种预测模型。