空气污染已经成为21世纪以来世界范围内最受关注的问题之一,为了缓解空气污染,许多研究人员试图使用各种方法准确预测空气污染物的浓度以及扩散趋势。研究表明,空气污染物具有动态的时空依赖特征。许多研究者利用非深度学习方法包括确定性方法和统计学方法预测空气污染物浓度。这些方法存在一定的限制,例如:确定性方法应用于有限数据集,需通过气象原理和数学方法来模拟大气的物理化学反应和污染物的扩散、排放和转化过程,由于这个方法是基于先验知识定义的,因此很难学习空气污染物复杂和非线性的时空依赖特征;统计学方法可分为经典统计学方法和机器学习方法,这类方法只能作用于小数据量的历史数据,仍然不能充分挖掘数据中的时空关联特征。近年来,深度学习方法被证明在时空特征提取上具有巨大的潜能,因此,许多研究者开始使用深度学习模型解决空气污染预测问题。然而,现有的深度学习模型在空气污染预测研究中存在以下问题:（1）时间序列网络和空间网络存在局限性。区域内监测站点处于非欧氏空间分布,如果使用当前流行的连续空间特征提取网络会损失站点间原始空间分布的真实性。与此同时,在时间维度,现存的时间序列网络由于自身结构上的缺陷,无法满足长时间序列问题中动态时间关联关系抽取的需求。（2）在当前研究中,大多数任务都是针对单一站点未来一个时间步或多个时间步的空气污染物浓度的预测研究,对多个站点未来多个时间步的联合预测研究较少。（3）在扩散趋势预测研究中,传统方法存在局限性,基于深度学习的污染物扩散趋势预测研究较少。针对于上述问题,本文将区域多站点多步空气污染物浓度预测以及扩散趋势预测作为研究任务,提出了一个基于时空注意力机制的空气污染物浓度预测模型。具体来说,本文的主要内容如下:（1）提出了一个新颖的基于时空注意力机制的Encoder-Decoder-预测层结构的模型,用于区域多站点多步空气污染物浓度预测。这个模型结合时空依赖编码器和自时间依赖编码器分别学习区域站点数据的时空依赖性以及目标站点数据的自时间关联性。（2）在基于时空注意力机制的Encoder-Decoder-预测层结构的模型的基础之上,本文利用该模型内部的图注意力机制（GAT）对区域站点间不同未来时间步空气污染浓度的影响以及扩散趋势进行了预测和模拟。