本文提出一种基于多尺度时空优化的空气质量预测方法(multi-scalespatial-temporalnetworkforairquality prediction,MSSTN-AQP)，结合空气质量系统中存在的长短期时间依赖关系和动态空间依赖性，提高长期空气质量预测的准确性。首先，通过构建多尺度时空特征提取模块，从多源异构数据中提取时空特征。其次，构建动态空间特征提取模块。通过将图卷积网络与注意力机制进行有效结合，捕捉空气质量网络中的全局空间特征，用于对多种空间依赖关系的联合建模。最后，构建时间特征提取模块，对Transformer模型进行改进与优化。自适应时间Transformer模块主要用于模拟跨多个时间步长的双向时间依赖关系。此外，将上述时空特征提取模块进行有效集成化，构建端到端的空气质量预测模型。为了验证模型的有效性，在两个真实数据集中进行实验验证。实验结果表明，MSSTN-AQP在预测精度上更具优势，尤其是在长期的空气质量预测任务中优势更加明显。