1. 研究目的与意义（文献综述包含参考文献）

研究背景： 近年来,我国社会经济发展迅速，大气污染问题成为目前大多数城市的首要问题。

大气颗粒物是大气中各种固体和液体颗粒状物质的总称，主要包括可吸入颗粒物、二氧化硫、氮氧化物等。

我国城市的大气污染物主要为可吸入颗粒物。

2. 研究的基本内容、问题解决措施及方案

研究问题： 基于lstm模型北京市pm2.5影响因素研究 研究手段： 长短期记忆模型（long-short term memory）即lstm模型是一种特殊的rnn模型，是为了解决rnn模型梯度弥散的问题而提出的；在传统的rnn中，训练算法使用的是bptt，当时间比较长时，需要回传的残差会指数下降，导致网络权重更新缓慢，无法体现出rnn的长期记忆的效果，因此需要一个存储单元来存储记忆，因此lstm模型被提出。

研究初略步骤： 本文选取北京的美国大使馆在2010年至2014年共5年间每小时采集的天气及空气污染指数 ，本文所采用的数据均来自于uci machine learning repository：http://archive.ics.uci.edu/ml/datasets/beijing pm2.5 data 首先，对原始数据进行加工，包括将数据集转化为有监督学习问题和归一化变量。

其次，用第一年的数据进行训练，剩余四年数据进行评估； 最后，进行模型预测，并给出相应建议