En la región de la meseta Qinghai-Tíbet, las deficiencias operativas y las capacidades de mantenimiento limitadas a menudo afectan a las estaciones automáticas de monitoreo de la calidad del aire. Esto resulta en frecuentes omisiones de datos, comprometiendo la fiabilidad de los datos de evaluación ambiental. Por lo tanto, se requiere un método efectivo de imputación de datos para abordar las lagunas en los registros de observación. Utilizando un marco de Secuencia a Secuencia, introducimos un modelo denominado Imputación Recurrente Bidireccional para Series Temporales - Memoria a Largo y Corto Plazo Basada en Atención (BRITS-ALSTM). El codificador de BRITS-ALSTM aplica BRITS para integrar las características históricas de una sola estación con las características de correlación de múltiples estaciones. Al mismo tiempo, el decodificador emplea LSTM dentro de un mecanismo de atención para capitalizar los datos observados previamente, generando así imputaciones horarias para los valores de datos de calidad del aire que faltan. El modelo fue entrenado utilizando seis tipos de datos de calidad del aire de 16 estaciones en la provincia de Qinghai. A través de pruebas localizadas y optimización de parámetros, BRITS-ALSTM logró una reducción en el error relativo medio (MRE) del 74.88% en comparación con el enfoque de llenado medio de referencia. Además, los estudios de ablación demostraron una mejora en el coeficiente de determinación R-cuadrado (R) de 0.67 a 0.76, superando al BRITS independiente. En consecuencia, BRITS-ALSTM mejora la precisión de las evaluaciones de datos de calidad del aire en la meseta tibetana y ofrece una estrategia eficaz para la imputación de datos en terrenos elevados.