La predicción de material particulado fino con un tamaño de partícula inferior a 2.5 um (PM) es un componente importante de la advertencia y gestión del control de la contaminación atmosférica. En este estudio, proponemos un modelo de aprendizaje profundo, a saber, una red neuronal ponderada espaciotemporal (STWNN), para abordar el desafío de la mala predicción a largo plazo de PM en áreas con estaciones escasas y desiguales. El modelo, que se basa en una red neuronal convolucional-memoria a corto y largo plazo bidireccional (CNN-Bi-LSTM) y mecanismos de atención y utiliza un enfoque impulsado por datos geoespaciales, considera el efecto de la heterogeneidad espaciotemporal de PM. Este enfoque supera eficazmente la inestabilidad causada por datos de estaciones escasas en la predicción de concentraciones promedio diarias de PM para la próxima semana. La efectividad del modelo STWNN se evaluó utilizando la Región Autónoma Uigur de Xinjiang como área de estudio. Los resultados experimentales demuestran que el STWNN exhibe un rendimiento superior (RMSE = 10.29, MAE = 6.4, R = 0.96 e IA = 0.81) en comparación con otros modelos en la predicción general y el agrupamiento estacional. Además, se introdujo el método de Explicaciones Aditivas de Shapley (SHAP) para calcular la contribución y la variación espaciotemporal de las variables características después del modelo de predicción STWNN. Los resultados de SHAP indican que el STWNN tiene un potencial significativo para mejorar el rendimiento de la predicción a largo plazo de PM a nivel de estación regional. Analizar las diferencias espaciotemporales en las variables características clave que influyen en PM proporciona una base científica para el control de la contaminación a largo plazo y apoya la planificación de respuesta de emergencia para eventos de contaminación intensa.