La predicción de series temporales tiene una amplia gama de escenarios de aplicación. Predecir las partículas en suspensión con un diámetro de 2.5 m o menos (PM2.5) en el futuro es un tipo vital de tarea de predicción de series temporales donde una predicción válida proporcionaría una referencia importante para las decisiones públicas. El modelo general de series temporales más avanzado en la actualidad, TimesNet, ha logrado un nivel de rendimiento muy por encima del nivel convencional en la mayoría de los benchmarks. Atribuyendo este éxito a su capacidad para desentrañar las variaciones temporales intraperiodo e interperiodo, proponemos TimesNet-PM2.5. Para hacer que este modelo sea más poderoso para tareas concretas de predicción de PM2.5, se han añadido mejoras orientadas a la tarea en su estructura para aumentar su capacidad de predecir momentos específicos a través de una mejor interpretabilidad y visualizaciones significativas. Por un lado, este artículo investiga rigurosamente el impacto de varios indicadores meteorológicos en los niveles de PM2.5, examinando sus principales factores influyentes desde perspectivas locales y globales. Por otro lado, utilizando técnicas de visualización, validamos la capacidad del aprendizaje de representación en la predicción de series temporales y el rendimiento en la tarea de predicción de TimesNet-PM2.5. Experimentalmente, TimesNet-PM2.5 demuestra una mejora sobre el TimesNet original. Específicamente, el Error Cuadrático Medio (MSE) mejoró en un 8.8% para la predicción a 1 hora y en un 22.5% para la predicción a 24 horas.