高效、准确的空气质量预测可以为污染防控工作提供依据,也是人们日常生活与出行的重要参考。针对现有空气质量预测方法预测精准度较低、时空依赖性不足等问题,提出一种多站点图卷积循环神经网络（MSGCRNN）用于空气质量预测(以PM2.5浓度预测为例)。首先,利用监测站点地理位置信息进行空间距离建模,构建出站点空间权重距离图;然后,通过GCN、GRU与多重影响因素的Seq2Seq架构完成多站点的时空特征提取;最后,利用自适应采样机制增强Seq2Seq的表征能力,以提高对长时间段PM2.5浓度预测的精准度。在湖北省与山东省多个空气质量监测站点上的PM2.5浓度预测结果显示,与向量自回归（VAR）、长短期记忆网络（LSTM）、Transformer、复合模型（Deep-AIR）和扩散卷积循环神经网络（DCRNN）相比,MSGCRNN在湖北省测试集上平均绝对百分比误差（MAPE）分别平均降低5.91%、6.01%、3.43%、3.22%、1.28%;在山东省测试集上平均绝对百分比误差（MAPE）分别平均降低16.42%、14.64%、8.76%、7.34%、2.38%。实验结果表明,MSGCRNN可以有效获取空气监测站点之间的时空依赖,提高预测精确度。
