Este documento investiga el efecto del diseño arquitectónico de los modelos de aprendizaje profundo en combinación con un enfoque de ingeniería de características, considerando la variación temporal en las características en el caso de la predicción del ozono troposférico. Aunque los modelos de redes neuronales profundas han mostrado resultados exitosos al extraer características automáticamente de datos en bruto, su rendimiento en el ámbito de la predicción de la calidad del aire se ve influenciado por diferentes enfoques de análisis de características y arquitecturas de modelos. Este documento propone un análisis simple pero efectivo de los datos de series temporales de ozono troposférico que puede revelar fases temporales del proceso de evolución del ozono y ayudar a los modelos de redes neuronales a reflejar estas variaciones temporales. Demostramos que abordar las fases de evolución del ozono al desarrollar la arquitectura del modelo mejora el rendimiento de los modelos de redes neuronales profundas. Como resultado, evaluamos nuestro enfoque en el modelo CNN y mostramos que no solo mejora el rendimiento del modelo CNN, sino que también el modelo CNN en combinación con nuestro enfoque potencia el rendimiento de otros modelos de redes neuronales profundas como LSTM. El desarrollo de los modelos CNN, LSTM-CNN y CNN-LSTM utilizando el enfoque propuesto mejoró el rendimiento de predicción de los modelos en un 3.58%, 1.68% y 3.37%, respectivamente.