摘要：近几年，随着我国社会经济的迅速发展，以PM2.5为主的空气污染成为人们目前面临的严重环境问题之一，也是目前的一个热门话题，其造成的空气污染对人们的日常生产生活都产生了严重的影响。因此，PM2.5的准确预测对人类健康的管理和政府的环境管理决策是至关重要的。

本文设计了双层长短期记忆循环神经网络模型（Long Short-Term Memory，LSTM）来提高PM2.5预测精确度，主要的原因是PM2.5的浓度和很多因素相关，和时间和空间方面都有关，具有严重的不确定性，在时间和空间上是非线性的，数据是离散的。而LSTM模型能够通过自身的优良特性对PM2.5的数据进行非线性的拟合，实现PM2.5的高精度预测。

本文基于双层LSTM循环神经网络，采用北京市的气象数据，进行PM2.5的预测，并与循环神经网络（Recurrent Neural Network, RNN）模型相比较。实验结果证明相同条件下，双层LSTM模型更能有效的捕获PM2.5浓度的特征，它的模型训练损失和测试损失均比RNN低至少0.05，能准确预测未来一小时的PM2.5的浓度。

关键词：LSTM循环神经网络；PM2.5浓度预测；时间序列特征

目  录

摘  要

ABSTRACT

第一章  绪论-1

1.1 研究背景及意义-1

1.2 研究现状-2

1.3 论文的章节安排-4

第二章 记忆神经网络的介绍-5

2.1 神经网络的基本单元-5

2.2 记忆网络-5

2.3 RNN模型介绍-6

2.4 LSTM模型介绍-7

2.5 章节小结-11

第三章  LSTM模型的优化-12

3.1 Dropout-12

3.2 Adam算法-13

3.3 损失函数-13

3.4 数据标准化-14

3.5 章节小结-14

第四章  实验过程与结果分析-15

4.1 数据处理-15

4.2 模型构建-15

4.3 实验结果与分析-15

4.4 章节小结-17

第五章  总结与展望-18

5.1 总结-18

5.2 展望-18

参考文献-19

致  谢-20