随着工业化和城市化的发展,空气污染已经成为一个日益严重的问题。颗粒物PM2.5因其体积小,重量轻,能在大气中停留较长时间,导致空气质量降低,严重威胁生态环境和公众健康。影响PM2.5浓度的因素众多且复杂,使得PM2.5浓度预测面临着巨大的障碍。本文针对PM2.5浓度数据的复杂非线性特点,选择神经网络对其进行预测。现有的神经网络预测方法面临着输入变量冗余、参数需要手动调整等问题,因此通过粒子群优化算法对上述问题进行优化,提出了改进的自适应动态粒子群优化算法,最后将其应用于寻找添加窥视孔的长短期记忆神经网络的最优结构参数,提高了模型预测性能。本文的主要研究内容总结如下:首先,针对PM2.5非线性时间序列的特点,选用长短期记忆神经网络对PM2.5浓度进行预测。以长短期记忆神经网络的结构原理为切入点,选用增加窥视孔连接的长短期记忆神经网络对PM2.5浓度进行预测。结果表明,可以获得比之前多的当前时刻以及上一时刻的数据,进而提高模型对于数据的预测能力。其次,根据神经网络参数随机设定的问题,引入粒子群算法寻找其最优参数,且为解决粒子群优化算法易陷入局部极值的问题,本文提出改进的自适应动态粒子群算法。首先将动态空间搜索策略引入到粒子群优化算法中,使得粒子群中粒子位置的变动更加活跃,增加了粒子的搜索能力;其次利用惯性权重的变化来动态调整学习因子等相关参数,对算法的局部和全局搜索能力进行平衡。最后通过测试函数对算法性能进行验证,结果表明,改进的自适应动态粒子群算法寻优速度快,寻优性能好,能快速找到全局最优解。最后,针对神经网络输入变量冗余的问题,对空气污染物浓度数据及气象数据进行初步处理,包括数据的缺失值和异常值处理、PM2.5序列分析、PM2.5相关性判断及归一化处理。且对处理后的数据使用改进的自适应动态粒子群优化增加窥视孔连接的长短期记忆神经网络模型、支持向量回归模型、K近邻算法、径向基函数模型、增加窥视孔连接的长短期记忆神经网络模型以及粒子群算法优化增加窥视孔连接的长短期记忆神经网络模型等七个模型进行比较分析。对北京及兰州两个城市的PM2.5浓度预测实验对比可知,本文所提模型的预测性能优于对比模型。