En preparación para la Cuarta Revolución Industrial (IR 4.0) en Malasia, el gobierno visualiza un camino hacia la sostenibilidad ambiental y una mejora en la calidad del aire. Se iniciaron mediciones de la calidad del aire en diferentes contextos, incluyendo urbano, suburbano, industrial y rural, para detectar cambios significativos en los parámetros de calidad del aire. Debido a la naturaleza dinámica del clima, la ubicación geográfica y las fuentes antropogénicas, se deben considerar muchas incertidumbres al tratar con datos de contaminación del aire. En los últimos años, el enfoque bayesiano para ajustar modelos estadísticos ha ganado más popularidad debido a su estrategia de modelado alternativa que tiene en cuenta las incertidumbres de todos los parámetros de calidad del aire. Por lo tanto, este estudio tiene como objetivo evaluar el rendimiento del Promedio de Modelos Bayesianos (BMA) en la predicción de la concentración de PM del día siguiente en la Península de Malasia. Un estudio de caso utilizó diecisiete años de datos de monitoreo de la calidad del aire de nueve (9) estaciones de monitoreo ubicadas en la Península de Malasia, utilizando ocho parámetros de calidad del aire, es decir, PM, NO, SO, CO, O, temperatura, humedad relativa y velocidad del viento. Los rendimientos de la predicción de PM del día siguiente se calcularon utilizando cinco evaluadores de rendimiento de modelos, a saber, Coeficiente de Determinación, Índice de Acuerdo (IA), eficiencia de Kling-Gupta (KGE), Error Absoluto Medio (MAE), Error Cuadrático Medio (RMSE) y Error Porcentual Absoluto Medio (MAPE). Los modelos BMA indican que la humedad relativa, la velocidad del viento y PM contribuyeron más al modelo de predicción para la mayoría de las estaciones con ( = 0.752 en la estación de monitoreo de Pasir Gudang), ( = 0.749 en la estación de monitoreo de Larkin), ( = 0.703 en la estación de monitoreo de Kota Bharu), ( = 0.696 en la estación de monitoreo de Kangar) y ( = 0.692 en la estación de monitoreo de Jerantut), respectivamente. Además, los modelos BMA demostraron un buen rendimiento del modelo de predicción, con IA que varía de 0.84 a 0.91, que varía de 0.64 a 0.75 y KGE que varía de 0.61 a 0.74 para todas las estaciones de monitoreo. Según los resultados de la investigación, se debe utilizar BMA en investigaciones y operaciones de pronóstico relacionadas con problemas ambientales como la contaminación del aire. A partir de este estudio, se recomienda BMA como una de las herramientas de predicción para pronosticar la concentración de contaminación del aire, especialmente el nivel de material particulado.