La contaminación del aire es un importante problema global, estrechamente relacionado con el desarrollo económico y social y la construcción del entorno ecológico. Los datos de contaminación del aire para la mayoría de las regiones de China tienen una estrecha correlación con el tiempo y las estaciones y están afectados por factores multidimensionales como la meteorología y la calidad del aire. En contraste con los enfoques clásicos de modelado de picos sobre umbrales, utilizamos una técnica de aprendizaje profundo y tres nuevos modelos de distribución generalizada de Pareto condicional dinámica (DCP) con factores meteorológicos y de calidad del aire para ajustar la dependencia temporal de la concentración de contaminantes atmosféricos y realizar inferencias estadísticas sobre su aplicación en el análisis de la calidad del aire. Específicamente, en los tres modelos DCP propuestos, se aplica un mecanismo de función exponencial autorregresiva dinámica para el parámetro de escala variable en el tiempo y el índice de cola de la distribución generalizada de Pareto condicional, y se elige un umbral suficientemente alto utilizando dos procedimientos de selección de umbrales. Se investigan las propiedades probabilísticas del modelo DCP y las propiedades estadísticas de la estimación de máxima verosimilitud (MLE), simulando y mostrando la estabilidad y sensibilidad de las estimaciones de MLE. Los tres modelos propuestos se aplican para ajustar la serie temporal en Beijing desde 2015 hasta 2021. Se utilizan datos reales para ilustrar las ventajas del DCP, especialmente en comparación con la volatilidad de la estimación de GARCH y los criterios AIC o BIC. El modelo DCP que involucra tanto factores mixtos de meteorología y calidad del aire funciona mejor que los otros dos modelos con factores meteorológicos o factores de calidad del aire solos. Finalmente, se utiliza un modelo de predicción basado en memoria a corto y largo plazo (LSTM) para predecir la concentración, logrando resultados ideales.