随着城市化的进程不断加快,大量的传感器被部署在不同的地理位置,共同来监控周围的城市环境,例如气象观测站和空气质量监控站。这些传感器不断产生相关的时间序列读数,提供人们关于周围环境的指导。通常情况下,一组传感器共同检测一个固定大小的区域,并且这些传感器读数之间具有某种空间相关性。因为这种序列具有独特的时空性质,所以我们将此类传感器的读数称作“地理传感器时间序列”。在实际生活当中,大量研究者逐渐意识到预测这种序列的重要,比如交通预测能指导司机找到最快通行路径,空气污染预测能指导人们的出行,水质预测能指导自来水厂何时应该投放氯消毒。然而,地理传感器时间序列预测非常具有挑战性,因为它受到许多复杂因素的影响,例如动态的传感器之间的空间相关性、动态的时间相关性以及外部因素(例如气温、当前时间)。此外,许多地理传感器的系统中普遍存在着较为严重的数据缺失现象,比如停电事故,设备紧急维护以及通信故障都会导致传感器数值的缺失,而该数据缺失现象也会导致预测模型的训练难度加大。现有的地理传感器时间序列的预测方法主要基于传统时间序列预测模型、多视角学习和深度学习,但现有方法并不能同时解决以上提及的四种挑战。在本文中,我们设计了一个基于多层注意力神经网络的方法,根据多个传感器的历史读数,相关气象数据和空间结构数据,来预测地理传感器在未来几个小时的读数。更具体地说,我们的模型是基于编码器-解码器架构的,主要由以下两个部分组成:1)多层注意力神经网络,包括了空间注意力机制来捕捉传感器之间动态的空间相关性,以及时间注意力机制来捕捉历史相关时间片,即动态时间相关性;2)外部因素融合模块,用来考虑来自不同领域的外部因素,例如气象条件。因为我们的模型是连续可微的,所以可以使用Adam法以及反向传播算法进行优化。此外,我们还提出了一个新颖的生成对抗模型来填补原始数据当中的缺失值,以便更好地训练预测模型。为了验证我们提出的预测模型的有效性,我们将其与多种基线方法在两种不同的真实数据集(空气质量和水质数据)的预测性能进行了多角度的对比。实验结果表明我们的方法在均方根误差和平均绝对误差上都取得了所有方法当中最好的表现。此外,我们还将提出的模型和模型变种进行了对比,分别证明了空间注意力机制、时间注意力机制以及外部因素融合模块的有效性。最后,为了进一步阐明模型的可解释性,我们对注意力权重进行了可视化和案例分析。