La predicción precisa de la calidad del aire es de gran importancia para la prevención de la contaminación y la prevención de desastres. Se necesitan modelos de predicción efectivos y confiables no solo para predicciones a corto plazo, sino que son aún más importantes para predicciones futuras de series temporales largas. En la serie temporal larga, la mayoría de los modelos actuales pueden no funcionar tan precisamente como en el corto plazo y, por lo tanto, se requiere un nuevo modelo. En este artículo, se propone un nuevo predictor de PM para lograr una predicción precisa de PM en series temporales largas en Beijing. El predictor simplifica los parámetros de entrada a través del análisis de correlación de Spearman e implementa la predicción de series temporales largas a través de Informer. Los resultados muestran que se seleccionan las concentraciones de AQI, CO, NO y PM de los datos de calidad del aire, y se incorporan la temperatura del punto de rocío (DEWP) y la velocidad del viento de dos datos meteorológicos para mejorar mejor la eficiencia de la predicción en casi un 27%. Al comparar con los modelos LSTM y atención-LSTM, el modelo construido en este artículo se desempeña bien en diferentes períodos de tiempo de predicción, con al menos un 21%, 19%, 28% y 35% de mejora en precisión en cuatro series temporales de predicción: 48 h, 7 días, 14 días y 30 días. En conclusión, se ha demostrado que el modelo propuesto resuelve el problema de predecir las concentraciones de PM en series temporales largas en el futuro, lo que puede compensar las deficiencias de los modelos actualmente existentes y tener un buen valor de aplicación.