Para superar las limitaciones de la predicción a largo plazo de la concentración de PM, se utiliza un método de análisis de causalidad de flujo de información multifactorial para seleccionar factores meteorológicos y relacionados con contaminantes del aire adecuados y concatenarlos con una secuencia de PM como conjunto de datos. Se utiliza un algoritmo de descomposición modal como un módulo que se integra en el modelo autoformer (transformador mejorado con un mecanismo de autocorrelación) para mejorarlo, y se propone el modal autoformer (descomposición modal empírica combinada con autoformer). El modelo construido descompone la secuencia en varios componentes utilizando el módulo de descomposición modal y utiliza el mecanismo de autocorrelación y la estructura de descomposición para descomponer y extraer características de diferentes componentes a nivel de características temporales. Basado en el método de coincidencia, el modelo se ajusta para diferentes características de componentes para mejorar el efecto de predicción a largo plazo. El modelo se aplica a tres ciudades de la provincia de Henan, Zhengzhou, Luoyang y Zhumadian, como ejemplos para experimentos, y se construyen unidades neuronales en compuerta (GRU), informer, autoformer y modal GRU (descomposición modal empírica combinada con el modelo GRU) para verificación comparativa. Los resultados muestran que el modal autoformer puede hacer frente mejor a las características complejas de la predicción a largo plazo de la serie temporal de PM, tiene una fuerte adaptabilidad espacial y que sus diversos indicadores son óptimos para las tres ciudades, con valores de R todos por encima de 0.96, donde el más alto es 0.987 en Zhengzhou; valores de MAPE (error porcentual absoluto medio) todos siendo menos de 10, donde el mejor es 7.602 en Zhumadian; y valores de MAE (error absoluto medio) todos siendo menos de 4. El efecto de predicción es lo suficientemente estable, mostrando su viabilidad y adaptabilidad en la predicción a largo plazo.