在复杂过程工业中，多元时间序列无处不在，其非线性和动力学给重要质量变量的软测量带来了两大挑战。因此，由于其强大的表示能力，门控递归单元（GRU）和长短期记忆（LSTM）网络等非线性动态模型已被用于数据序列建模。尽管这在许多工业工厂中很常见，但这些动态算法无法直接处理具有异构样本间隔和缺失值的数据序列。为此，本文提出了基于注意力的区间辅助网络（AIA-Net），用于对流程行业中具有缺失值的异质采样序列的时间信息进行自适应建模。它包括两种主要机制，分别命名为基于注意力的时间感知动态插补和区间辅助时间感知网络。减少率是通过基于注意力的时间感知动态插补引入的，以应用时间间隔的影响，并用于缺失数据的插补。间隔辅助时间感知网络在模型结构中包括时间间隔，并使用采样间隔门来校正时间序列中的时间相关性。将所提出的AIA-Net成功应用于实际加氢裂化过程，预测了轻质石脑油中C5和C6的含量。
