La escalación de la industrialización ha empeorado la calidad del aire, subrayando la necesidad esencial de pronósticos precisos para informar políticas y proteger la salud pública. La investigación actual ha enfatizado principalmente características espaciotemporales individuales para la predicción, descuidando las interconexiones entre estas características. Para abordar esto, propusimos el Predictor de Calidad del Aire de Fusión Espaciotemporal a Escala Integral (CSST-AQP). La novedosa arquitectura de doble rama combina el análisis de correlación espacial a múltiples escalas con un modelado temporal adaptativo para capturar las complejas interacciones en la dispersión de contaminantes y mejorar la predicción de la contaminación. Inicialmente, un módulo de preprocesamiento de fusión basado en características espaciotemporales de alta correlación localizadas codifica indicadores de calidad del aire multidimensionales y datos geoespaciales en características espaciotemporales unificadas. Luego, la arquitectura central emplea un marco colaborativo de doble rama: una rama de procesamiento espacial a múltiples escalas extrae características a diferentes granularidades, y una rama de mejora temporal adaptativa modela simultáneamente periodicidades locales y tendencias evolutivas globales. El motor de fusión de características integra jerárquicamente características relevantes espaciotemporales a escalas individuales y regionales mientras agrega características espaciotemporales locales de sitios relacionados. En resultados experimentales en 14 regiones chinas, CSST-AQP logra un rendimiento de vanguardia en comparación con redes basadas en LSTM con RMSE de 6.11-9.13 g/m y R de 0.91-0.93, demostrando capacidades de pronóstico altamente robustas de 60 h para diversos contaminantes.