【摘要】文章提出一种基于长短时记忆网络(LSTM)空气质量预测模型,具备递归记忆任意长度时间窗历史数据的能力,特别适用于上述特征的时间序列预测。通过与应用支持向量机、反向传播神经网络、多元线性回归所建立的模型进行了的多重对比实验,表明LSTM预测模型在空气质量指数低于200时具有更高的预测精度、在35个检测站预测时具有更强的泛化能力,以及5种变长时间窗数据输入条件下具有更好的稳健性等优点。