对于工业过程，进行数据序列的动态建模对于质量预测具有重要意义。然而，输入和输出序列之间的采样率通常不同。对于最传统的数据序列模型，它们必须仔细选择标记的样本序列来构建动态预测模型，而标记样本之间的大量未标记的输入序列则被直接丢弃。此外，在每个标记步骤的质量预测中，通常没有充分考虑变量和样本的相互作用。为了解决这些问题，我们设计了一个层次化的自我注意网络（HSAN）用于自适应动态建模。在HSAN中，首先为每个标记步骤设计动态数据增广，以包括未标记的输入序列。然后，提出了一个可变水平的自我关注层来学习可变交互和短间隔时间依赖性。之后，进一步开发了一个样本级的自我关注层来模拟长时间间隔的时间依赖关系。最后，构建了一个长短期记忆网络（LSTM）网络来对包含大量相互作用的新序列进行建模，以进行质量预测。在工业加氢裂化过程中的实验表明了HSAN的有效性。关键词：深度学习、分层自关注网络（HSAN）、质量预测、自关注机制、软传感器。
