La predicción precisa de la calidad del aire es esencial para la gestión ambiental y la protección de la salud. Sin embargo, los modelos convencionales de calidad del aire a menudo exhiben sesgos sistemáticos y subestiman los eventos de contaminación debido a incertidumbres en las emisiones, la meteorología y los procesos atmosféricos. Abordando estas limitaciones, este estudio presenta un modelo híbrido de aprendizaje profundo que integra redes neuronales convolucionales (CNN) y memoria a corto y largo plazo (LSTM) para la corrección del sesgo en la predicción del ozono. El modelo se entrena aquí, utilizando datos de diez estaciones en Texas, lo que le permite capturar tanto patrones espaciales como temporales en el comportamiento atmosférico. La evaluación del rendimiento muestra mejoras notables, con una reducción del error cuadrático medio (RMSE) que varía del 34.11% al 71.63%. Las puntuaciones F1 para la detección de picos mejoraron hasta un 37.38%, la distancia de Dynamic Time Warping (DTW) disminuyó en un 72.77%, el Índice de Acuerdo aumentó hasta un 90.09%, y el R mejoró hasta un 188.80%. Una comparación de cuatro funciones de pérdida - Error Cuadrático Medio (MSE), Huber, Error Cuadrático Medio Asimétrico (AMSE) y Pérdida Cuantílica - reveló que el MSE ofreció un rendimiento equilibrado, la Pérdida Huber logró la mayor reducción en el RMSE sistemático, y el AMSE tuvo el mejor rendimiento en la detección de picos. Además, se evaluaron cuatro arquitecturas de aprendizaje profundo: CNN-LSTM de referencia, un modelo híbrido con mecanismos de atención, un modelo basado en transformadores y un marco de extremo a extremo. El modelo híbrido basado en atención superó consistentemente a los demás en todas las métricas mientras mantenía menores demandas computacionales.