近年来,随着世界各国经济快速发展、社会生产力的不断提升、社会物质生活不断丰富,经济与生态环境的不协调发展也日益突显出来。空气污染的问题日益突出,雾霾天气在全球多个城市频频出现。雾霾天气的出现不仅给人们正常的生活、工作和学习带来诸多不良影响,同时也加剧了对人们身体健康的危害,影响了社会的可持续发展。对PM2.5浓度进行科学地预测可以让人们提前做好防护工作,尽量减少对人体健康的影响,也有助于城市管理部门做好交通管理预案。本文收集了重庆2015年到2017年的污染物小时数据,对该数据集进行了多种预处理,包括对缺失值填充、数据归一化等操作。同时还对数据集中包含的多种污染物进行了相关性分析。在对PM2.5浓度进行预测时,先建立了单步时长预测模型CNN-TCN。通过建立PM2.5的时空特征矩阵,利用CNN多次卷积提取多个站点之间污染物在空间层面上的特征数据。同时PM2.5浓度数据也是时间序列数据,通过融合空间和时间层面上的数据特征,TCN利用不同扩张系数的扩张卷积进行数据特征的提取,并最终经过全连接层输出得到预测值。在对PM2.5浓度进行多步时长预测时,提出了基于双注意力机制的序列模型Seq2Seq-CNN。该模型通过序列到序列的模型结构,能够对不同的输入时长数据进行预测,同时也可以得到不同输出时长的预测数据。Seq2Seq-CNN和CNN-TCN一样,采用了CNN对空间层面上的数据进行特征提取,此外,还通过特征注意力机制对站点中不同污染物进行特征提取,利用时间注意力机制对不同输出时刻生成不同的上下文向量,从而在序列的解码端得到更精确的PM2.5浓度预测值。针对序列数据可以输入不同时长的数据特点,本文还比较了不同输入时长的数据预测效果。本文还利用基于双注意力的Seq2Seq-CNN预测模型建立了重庆PM2.5浓度的预测系统,该系统实时获取重庆各个站点的污染物浓度数据并处理后进行预测,最后通过ECharts和百度地图形象地展示了站点的历史数据和预测数据。