准确的气体浓度预测在系统和应用安全上起着很重要的作用。然而,气体浓度预测的准确性不仅与气体浓度随时间变化因素有关,同时也受气体扩散时气体传感器网络拓扑结构的约束。因此,气体浓度预测是一个非常具有挑战性的任务。本文针对气体浓度预测问题,基于时间和空间特征对气体浓度预测的影响,提出了一种新的气体浓度时空预测算法,并绘制预测气体分布图。为同时捕获时空特征,本文提出了基于进化注意力时间图卷积网络模型的气体浓度预测方法。该模型首先加入进化注意力机制对输入的滑动子窗口特征矩阵给予不同程度的关注,然后利用图卷积神经网络学习气体传感器网络的空间拓扑结构从而获得气体扩散时的空间特征,最后利用门控循环单元学习气体浓度随时间变化的特征,从而实现了基于时空特征的气体浓度预测。仿真实验表明,基于进化注意力时间图卷积网络模型的气体浓度预测方法优于其他基线方法。与卷积神经网络、图卷积神经网络、门控循环单元、进化注意力门控循环单元、时间图卷积网络、注意力时间图卷积网络模型相比,提出的进化注意力时间图卷积网络模型的预测精确度分别提高了13.46%,124.21%,33.92%,23.97%,23.39%和46.63%。由于气体浓度预测只能对传感器采集位置处的气体浓度进行预测,对于空间中未安装传感器的区域则无法获得气体浓度信息。于是,本文提出了“预测-构图”新思想,结合气体浓度预测模型与气体分布模型,基于进化注意力时间图卷积网络预测模型得到的预测结果,利用核推分布测绘算法构建预测气体分布图。仿真结果表明,本文构建的预测气体分布图与在未来时间段已知测量点和未知区域的真实气体浓度分布接近。