在“碳达峰、碳中和”战略背景下,铀矿开采效率直接影响核能发展与能源转型进程。在酸法地浸采铀工艺中,精准预测溶浸液酸浓度对提升铀的浸出率、保护矿区环境及设备安全具有重要工程价值。提出了基于自相关机制和自注意力机制的iAutoformer模型,通过对历史时间序列自相关性进行加权并滚动聚合,发掘序列的周期性并揭示更多隐藏因素,扩展了信息的利用率,从而获得更好的预测结果。试验平均结果表明,iAutoformer模型相较长短期记忆网络(Long Short-Term Memory,LSTM,2000)模型能够在小数值波动中发现序列变化规律,在试验平均结果中绝对误差(Mean Absolute Error,MAE)由0.232下降至0.205、均方误差(Mean Square Error,MSE)由0.089下降至0.072;相较iTransformer(Inverted Transformer,2023)及PatchTST(Patch Time Series Transformer,2022),模型在周期性变化明显的预测结果中更能拟合真实数值,MAE分别下降0.005、0.004,MSE均下降0.003。从地浸采铀现场生产环境角度出发提出预测方法,通过学习历史数据中的规律,对未来溶浸液酸浓度进行实时预测,能够有效地调节溶浸液酸浓度、提高生产效率、助力铀矿山的智能化转型。