根据历史污染和天气信息 预测污染物浓度。在前期的研究中，我们只关注污染物本身的时间状态变化，通过自回归移动平均模型（ARMA）+小波分解预测过一波，但这种方法没有考虑影响污染物浓度扩散的气象条件，而且也很难将空间因素考虑进去。我所用的LSTME模型考虑预测输入数据的多样性和多元化。做了如下工作（1）扩展了LSTM神经网络以捕获大气污染物浓度的长期时空依赖性，并提出了可预测未来24小时大气污染物浓度的多尺度预测框架;

（2）该方法能够有效地自动提取大气污染物浓度数据中的时空相关性;

（3）将辅助数据整合到传统的LSTM模型中，并且该综合模型表现出比传统方法更好的性能。