在日新月异的社会中所有人类生活的方方方面都深受气象要素和PM2.5的变化的影响。因此,准确预测未来气象要素和PM2.5数据对于多种需要气象要素的场合(例如农业区、工业区、生活区等)至关重要。本论文的数据集是北京大学统计科学中心光华管理学院在UCI机器学习知识库所提供的,主要内容是相对完整的气象要素和PM2.5数据。再经由以下一系列操作来优先处理数据:其一是规范数据即对气象要素和PM2.5数据集进行完整的预处理;其二是获得待预测的数据即进行完备特征的数据提取;其三获得更加完整结果即进行数据分析。随之利用本论文在枢纽章节提出的以小波去噪操作为开端并以循环神经网络为核心的气象要素与PM2.5预测模型进行全面且综合的预测实验。实验结果证明本文提出的模型与传统模型比较可以提高气象要素和PM2.5的预测结果的精度并减少训练时间,为预测气象要素方法提供了借鉴,也对气象数据预测模型的发展有着长远又至关重要的意义。在本论文中,主要做了以下研究:第一:对气象要素和PM2.5数据经由以下一系列操作来优先处理数据,包括完整的预处理、完备的特征数据提取和综合数据分析。整个流程包括气象要素和PM2.5数据的缺失值处理、所有异常值处理、精确的格式处理、必要的逻辑检查,并结合数据全面的相关热图与现实气象要素情况进行统一简洁的特征数据选择。最后将待预测的规范数据通过时序图、箱型图与折线图结合比较,得出与时间序列有关的气象要素和PM2.5的数据分析结果,为气象要素和PM2.5数据预测提供依据。第二:本论文提出了基于小波去噪和循环神经网络及其变体相结合的气象要素和PM2.5预测模型的研究。预测模型包括两个部分:其一是完整的小波去噪即对目标气象要素和PM2.5数据进行,精确优先的处理“学习”任务,旨在通过深度减弱数据噪音改善实验精度;其二是数据预测精细的过程即将处理后的数据分别作为通过两层RNN、两层LSTM和两层GRU网络模型来进行综合的实验。第三:全面联合多种优秀的预测模型进行了的全面且综合测验与对比,本文将研究以小波去噪操作为开端并以循环神经网络为核心的卓越模型作为重点内容,并与传统模型细致化比照。试验结果证明对于不同城市的气象要素和PM2.5数据来说,小波去噪操作与循序神经网络及其变体的结合可以提高预测精度,结果最佳。第四:设计并实现了基于小波去噪和循环神经网络相结合的气象要素和PM2.5数据分析与预测系统。整个气象要素和PM2.5数据分析与预测系统采用Python+Django框架,通过python环境开发了气象要素和PM2.5数据管理模块和展示模块相结合的Web系统,最终系统经完备测试后有着优良的数据分析运行界面更重要的是基本解决了实际问题。