声明
致谢
1 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 PM2.5浓度空间分布特征提取
1.2.2 PM2.5浓度序列预测
1.3 研究目的与内容
1.3.1 研究目的
1.3.2 研究内容
1.4 论文组织与章节安排
2 时间序列多步预测方法研究
2.1 问题描述与解决思路
2.2 序列预测方法介绍
2.2.1 循环神经网络
2.2.2 编码器-解码器模型
2.3 序列预测相关指标
2.3.1 预测精度
2.3.2 预测精度衰减率
2.4 面向预测精度保持的时间序列多步预测模型
2.4.1 基于注意力机制的时间序列多步预测模型
2.4.2 基于正则训练策略的时间序列多步预测模型
2.5 本章小结
3 时空关联的PM2.5浓度多步预测方法研究
3.1 问题描述与解决思路
3.2 PM2.5浓度时空关联分析
3.2.1 PM2.5浓度的时间相关性分析
3.2.2 PM2.5浓度的空间相关性分析
3.3 基于图卷积神经网络的空间特征提取
3.3.1 空间拓扑图构建
3.3.2 图卷积神经网络
3.4 融合图卷积神经网络的 PM2.5浓度多步预测模型
3.4.1 模型架构设计
3.4.2 超参数的确定
3.4.3 模型优化训练策略
3.5 本章小结
4 实验验证
4.1 实验环境与数据
4.1.1 实验环境
4.1.2 数据来源
4.1.3 数据预处理
4.2 面向预测精度保持的 PM2.5浓度多步预测的实验结果与分析
4.2.1 预测精度分析
4.2.2 预测精度衰减率分析
4.3 时空关联的 PM2.5浓度多步预测的实验结果与分析
4.3.1 预测精度分析
4.3.2 预测精度衰减率分析
4.4 本章小结
5 总结与展望
5.1 工作总结
（1）面向预测精度保持的时间序列多步预测方法研究
（2）时空关联的PM2.5浓度多步预测模型构建
（3）时间序列多步预测方法实例验证与分析
（4）时空关联的PM2.5浓度多步预测模型实例验证与分析
5.2 研究特色
（1）设计了融合注意力机制和正则训练策略的时间序列多步预测方法，“一步式”完成多步预测的同时减缓了预测精度的衰减。
（2）提出了时空特征关联的 PM2.5浓度多步预测模型，较单时间特征的多步预测模型拥有更高的预测精度和更低的预测精度衰减率。
5.3 研究展望
参考文献
作者简历及攻读硕士期间科研成果
浙江大学;
