La contaminación del aire representa un desafío global significativo, afectando la salud humana y la sostenibilidad ambiental en todo el mundo. La previsión precisa de la calidad del aire es esencial para estrategias de mitigación efectivas, particularmente en regiones que se urbanizan rápidamente. Este estudio se centra en Shenyang, China, como un caso representativo para analizar la dinámica de la calidad del aire y desarrollar una herramienta de previsión de alta precisión. Utilizando un conjunto de datos integral de seis años (2020-2025) de mediciones diarias de calidad del aire y meteorológicas, se aplicó un riguroso proceso de preprocesamiento para garantizar la integridad de los datos. Se entrenaron cinco modelos de árboles de decisión potenciados por gradientes y se combinaron a través de un ensamblaje apilado regularizado por ridge para mejorar la precisión predictiva. El ensamblaje logró un R del 94.17% y un error porcentual absoluto medio del 7.79%, superando a los modelos individuales. El análisis de la importancia de las características reveló que el ozono, las PM y las concentraciones de PM son los principales impulsores de las fluctuaciones diarias de la calidad del aire. El sistema de previsión resultante ofrece predicciones robustas e interpretables a través de variaciones estacionales, ofreciendo una valiosa herramienta de apoyo a la decisión para la gestión de la calidad del aire urbano. Este marco demuestra cómo se pueden aplicar técnicas avanzadas de aprendizaje automático en un contexto urbano chino para informar los esfuerzos de mitigación de la contaminación del aire a nivel global.