Las emisiones excesivas de óxidos de nitrógeno (NOx) resultan en crecientes problemas ambientales y normas de emisión cada vez más estrictas. Esto requiere un control preciso de las emisiones de NOx. Un requisito previo para un control preciso es la detección precisa de las emisiones de NOx. Sin embargo, los sensores de medición de NOx actualmente en uso tienen graves problemas de retraso en la medición debido al entorno operativo difícil y otros problemas. Para abordar este problema, necesitamos hacer una predicción a largo plazo para las emisiones de NOx. En este artículo, proponemos un modelo de predicción a largo plazo basado en LSTM-Transformer. Primero, el modelo utiliza autoatención para capturar la tendencia a largo plazo. En segundo lugar, se utiliza una red neuronal de memoria a corto plazo (LSTM) para capturar las tendencias a corto plazo y como codificación de posición secundaria para proporcionar información posicional. Los construimos utilizando una estructura paralela. En la predicción a largo plazo, los resultados experimentales en dos conjuntos de datos reales con diferentes intervalos de muestreo muestran que el modelo de predicción propuesto funciona mejor que los métodos actualmente populares, con mejoras relativas promedio del 28,2% y 19,1% en los dos conjuntos de datos, respectivamente.