La previsión de la calidad del aire juega un papel crucial en la prevención y control de la contaminación del aire. Es particularmente significativa para mejorar la preparación ante condiciones climáticas de alta contaminación y garantizar la salud y seguridad de la población. En este estudio, se presenta un nuevo modelo de aprendizaje profundo para predecir las variaciones espaciotemporales de la calidad del aire. El modelo, denominado memoria a corto y largo plazo gráfica con atención de múltiples cabezas (GLSTMMA), está diseñado para capturar los patrones temporales y las relaciones espaciales dentro de datos de series temporales multivariantes relacionados con la calidad del aire. El modelo GLSTMMA utiliza una arquitectura de red neuronal híbrida para aprender de manera efectiva las complejas dependencias y correlaciones presentes en los datos. La extracción de características espaciales relacionadas con la calidad del aire implica la utilización de una red neuronal convolucional gráfica (GCN) para recopilar datos de calidad del aire basados en la distribución geográfica de los sitios de monitoreo. La estructura gráfica resultante se importa a una red de memoria a corto y largo plazo (LSTM) para establecer una unidad Graph LSTM, facilitando la extracción de dependencias temporales en la calidad del aire. Aprovechando una unidad Graph LSTM, se formula un marco de codificador-decodificador de atención múltiple para permitir una exploración más profunda y eficiente de las características de correlación espaciotemporal dentro de los datos de series temporales de calidad del aire. La investigación utiliza el conjunto de datos de calidad del aire de múltiples fuentes de la provincia de Qinghai de 2019 a 2021 para la evaluación experimental. Los resultados indican que el modelo aprovecha de manera efectiva el impacto de los datos de múltiples fuentes, lo que resulta en una precisión óptima en la predicción de seis contaminantes del aire.