移动污染源是指位置随时间和空间变化的、移动的污染源,主要包括在移动过程中的机动车、工程车、移动式建筑机械、船舶和飞机等在工作过程中排放处大量有害废气。空气污染,特别是移动污染源中的超细颗粒物和挥发性有机物(Volatile Organic Compounds,VOCs)引起的大范围雾霾己经成为中国最突出的环境问题之一。因此,提前预测大气污染物浓度是加强大气污染防治,实现全面环境管理的基础,对人们的日常健康和政府决策具有重要意义。本文在国内外空气污染物浓度时空特征和预测方法研究的基础上,对神经网络、极限学习机、深度学习等方法就行深入研究,探索不同预测条件建立多种浓度预测模型,提高浓度预测精度,系统地对污染物浓度演变趋势进行分析和实验研究。(1)由于污染物浓度序列固有的复杂性,描述污染物浓度的演变趋势和准确预测是困难的。为了掌握空气污染物浓度时间分布规律,实现预测的准确性和实时性,本文提出了一种自适应模糊加权极限学习机(ANFIS-WELM),基于极限学习机(ELM)的正则化策略,以提高模糊神经网络的性能。所提出的ANFIS-WELM,具有降低随机性,降低计算复杂度和更好的泛化的优点。通过使用模糊隶属函数结合显式知识表示,随机选择ANFIS-WELM模糊层的参数,在加权极限学习机正则化策略中求解约束优化问题来确定模型神经层的参数。实验表明,相较于GA-BPNN、SVR、ELM、WELM、ANFIS、R-ELANFIS模型,提出的方法在预测准确性和实时性能之间实现了良好的平衡,并且在自主开发的移动污染源在线监测数据中心软件系统上完成了算法包的工程化应用,实现在时间轴上对污染物浓度的多尺度预测。(2)现有的研究方法未能有效地提取空气污染物浓度数据的时空特征,未能有效地模拟长期依赖性,并且大多数忽略了大气影响因子对空间相关性分析。本文提出了一种时空注意力卷积长短期记忆神经网络模型(Attention-CNN-LSTM),通过收集当前站以及最近邻站的历史空气污染物浓度,该模型分析最近邻站点之间的Granger因果关系并设计出一个超参数高斯向量权重函数以确定空间自相关变量,作为输入特征的一部分,然后使用卷积神经网络(CNN)来提取LSTM网络使用的数据的时空间特征,同时注意力模型分别用于加权特征图和通道以增强特征的有效性,除了在历史空气污染物数据中自动提取固有的有用特征之外,并将气象数据和时间戳数据合并到所提出的模型中以提高模型的预测性能。实验表明提出的方法具有良好的稳定性和预测性能,优于ARIMA、SVR、LSTM、CNN和CNN-LSTM模型。