随着我国城市化和工业化的快速发展,城市空气污染问题越来越严重.PM2.5作为空气污染的主要污染物之一,严重危害着人类的身体健康,所以PM2.5浓度预测已经成为一项必不可少的工作。合理准确地对PM2.5浓度的预测对于政府防控工作、社会活动安排和城镇居民出行有着重要的指导意义。首先,本文宏观介绍了PM2.5浓度预测的研究背景意义、国内和国外研究现状,使读者对PM2.5浓度预测有一定的了解。其次,本文对PM2.5浓度数据进行了特性分析和数据预处理。掌握PM2.5浓度数据的变化规律和发展趋势,了解PM2.5浓度数据的内在特性和外在影响因素,是准确预测PM2.5浓度的基础。因此本文使用统计学方法对PM2.5浓度内在特性进行了自相关和周期性分析,对影响PM2.5浓度的主要外在因素进行了相关性分析。为了使PM2.5浓度数据易于被模型学习,本文对原始数据进行了数值化编码、缺失值处理、周期性特征构造和标准化处理。再次,本文介绍了LSTM神经网络并在此基础上提出了GRA-LSTM与GRA-CLSTM。GRA-LSTM针对现有的基于机器学习的预测模型在预测单站点PM2.5浓度时,往往只能利用目标预测站点的历史数据而不考虑PM2.5的区域性,不能充分考虑污染物的区域效应这一问题,利用灰色关联度分析构建空间特征对普通的LSTM预测模型进行了改进。GRA-CLSTM针对普通LSTM会对较长时间序列产生的信息丢失和梯度消失问题,引入善于进行特征提取的CNN来对模型改进。最后,本文为了验证GRA-LSTM与GRA-CLSTM的有效性和优越性,使用西安市13个空气质量监测站点从2018年6月1日到2019年7月6日共9624小时的历史空气质量历史数据以及西安市历史气象数据进行仿真实验,实验结果证明了GRA-LSTM与GRA-CLSTM的预测性能更优。