为了提高PM2.5未来一小时浓度预测的准确率,提出了一种基于卷积神经网络和序列到序列(Sequence-to-Sequence,简称Seq2Seq)的深度学习预报测型.首先,综合分析PM2.5浓度随季节的变化趋势、PM2.5浓度在不同季节逐小时变化趋势、站点PM2.5浓度与最近邻站点相关性以及PM2.5浓度和气象要素相关性.其次,利用PM2.5浓度数据、气象站点观测数据和气象要素网格数据进行融合处理,生成用于训练和测试的时空序列数据,并使用卷积神经网络和Seq2Seq网络获取时空特征.最后,使用模型对PM2.5未来24小时逐时浓度进行预测,并与支持向量机和其他深度学习模型作对比.实验结果表明,相比其他机器学习方法和深度学习,卷积神经网络和长短时记忆相结合的预测方法能有效提高PM2.5浓度未来一小时预测精度,并具有较高的泛化能力.