随着工业化及现代化进程的加快,大气污染问题日益严重,研究工业排放的各种气体污染物的成分含量并预测未来浓度变化,对于大气污染物预防和监测具有重要作用。随着深度学习技术的发展,构建预测模型进行时空预测任务,提取多维度输入数据之间的相关特征是一项具有挑战性的课题。本文以工业污染物浓度为研究对象,分析并深入挖掘当前时间段污染物成分浓度信息规律,针对目前大气污染高排放量NOx和其他相关因子的特征映射关系,实现对未来NOx的浓度预测研究。本文主要贡献如下:（1）本文提出了一种基于多头注意力机制和多特征变量并结合长短时记忆（Long Short-Term Memory,LSTM）网络的Multi-Att-LSTM预测模型,用于训练学习多维时间序列特征,根据历史时期的污染物浓度数据,预测未来污染物浓度变化。该模型以transformer模型结构作为基本基线,扩展了传统的编码器-解码器结构,encoder采用局部处理的多层LSTM单元结构,提取输入数据的相关特征,输入到decoder中。Decoder同样通过多层LSTM模块结合可用于长期依赖的多头自注意力层,得到预测输出结果。（2）本文提出了一个局部的多变量注意力机制用于编解码器中的LSTM模块之前,用于获取目标序列和其他相关因子之间的动态相关性和不同特征影响。根据LSTM网络模块中的隐藏层状态和输出结果进行拼接,传入到Decoder中,获取当前时刻的更加全面的隐藏状态信息,并针对性提取有效特征。（3）本文提出了一种基于阈值分割的异常检测方法,再结合预测模型进行异常值计算和重构误差,更新阈值,调整权重,提高对多变量高维数据的预测精度。本文通过分析污染物NOx浓度和其他相关因子的相关性,筛选出相关性较大因子作为多变量输入特征进行数据处理,构建工业污染物NOx浓度数据集,并在多个数据集上进行实验,和其他预测模型对比分析。结果验证了Multi-Att-LSTM预测模型预测效果更好,评估指标RMSE、MAE及MAPE结果最小,性能更佳。