近年来,随着中国经济的快速增长,产生了大量的能源消耗与污染排放,由此引发了严重的环境问题,尤其是空气污染问题。2018年,全国空气质量超标的地级市及以上城市有239个,占70%左右。空气污染对人类健康造成直接危害,同时也对社会经济的各个方面造成直接或间接的巨大损失。因此很多城市建立起空气质量监测站点以定时发布空气质量信息。然而由于运行和维护成本高,目前的城市空气质量监测站数量有限,不能满足人们提前了解城市空气质量的需求。因此准确预测城市空气质量对于人们的生产生活尤为重要。城市空气质量预测的目标是基于历史数据预测特定地区未来的空气质量状况。空气质量受到许多因素的影响,如气象因素、地理因素、污染源和扩散路径等。准确的空气质量预测需要考虑时间及空间等复杂因素。本文集成区域聚类、Granger因果分析及深度长短期预测方法,提出了城市空气质量的时空预测模型。城市的空气质量不仅与本地历史状况相关,而且受相邻城市影响。本文首先基于区域协同治理进行区域聚类,然后采用Granger因果分析方法识别城市之间空气质量的因果关系。进一步,考虑到空气质量既受过去几个小时的数值影响,也具有一定规律的周期性,因此空气质量的预测是一个复杂的非线性问题。本文选择长短期记忆网络来研究空气质量演变的时间依赖性。考虑到时间序列预测性能随着输入序列长度的增加迅速下降,采用双阶段注意力机制来进行优化建模,将Granger因果分析的结果,即对目标城市空气质量影响较大的城市空气质量数据,目标城市的历史空气质量数据、气象数据输入到空气质量预测模型中,经由双阶段注意力模型的输入注意力层选择相应的时间序列,编码得到注意力权重,再由时间注意力层选择相应隐藏层状态,解码得到影响最终预测的重要性权重,输入到长短期记忆网络层得到最终的空气质量预测值。本文从中国环境监测总站和国家气候数据中心（NCDC）获取2015年1月到2019年12月城市空气质量数据。对全国344个有空气质量监测记录的城市进行序列聚类得到7个聚类区域。研究重点考虑区域聚类7（包括华北平原区域的58个城市）所形成的重点污染城市群,并对这一城市群区域进行Granger因果分析,得到区域内的因果网络和重点研究城市的污染源城市。进一步构建了双阶段注意力机制模型进行预测,与传统的机器学习模型、深度学习模型相比,本文提出的模型在不同的特征组合、不同的序列长度、不同的目标城市上都有较大的优势。同时,本文模型与不考虑Granger因果的空气质量时空预测模型比较发现,引入Granger因果识别空间因果关系不仅减少计算量,大大提升了时间效率,而且减少了不相关因素的影响,小幅度降低了误差。在空气污染治理的过程中,应重视污染源城市的区域协同治理,从源头治理空气污染。