在人工智能蓬勃发展的今天,深度学习被普遍应用于社会生活的各个方面。空气质量的影响因素有很多,比如会受到风向、风速、气温、湿度和污染源排放情况等影响,所以,对空气质量的评价预测会有很大的不确定性,而深度学习方法非常地适用于研究此类特征变化多样的对象。为了准确评估空气质量,对现有的空气质量等级的每个层次的描述进行更科学地分级,更加客观地反应空气质量状况,帮助我们更好地了解日常的空气条件,本次研究提出基于聚类算法和深度学习的空气质量评价与预测方法。研究需要的数据为城市空气污染物AQI的六种主要指标:二氧化硫(SO2)、一氧化碳(CO)、二氧化氮(NO2)、臭氧(03)、颗粒物(粒径≤10微米)、细颗粒物(可吸入颗粒物粒径≤2.5微米)。所有数据均从中国空气质量在线监测平台获得。这些获得的空气质量数据都是未经过人为标定的。要对深度学习模型各种神经网络进行训练,先要人为进行聚类。首先,对无标签的样本进行聚类,标定标签。其次,为未标定的样本自动匹配标签;然后将既得的标签样本输入神经网络模型,最后进行训练,以此来评价和预测空气质量。本文主要运用几种聚类和深度学习方法评估及预测空气质量,第一种评价空气质量的方法为改进的K均值聚类方法,将K均值算法和分层算法相结合,以解决K均值聚类初始聚类点选择敏感还容易陷入局部解决方案等缺点,同时具有更少的迭代次数,并将空气质量的结果可视化,提供了更全面的空气质量信息。然后通过AP聚类和VAE模型评估空气质量,可以节省大量的计算时间,并能更准确地了解实时空气质量。最后用LSTM模型来预测空气质量。