La predicción precisa de las concentraciones de PM es esencial para la gestión de la salud pública, especialmente en áreas afectadas por el transporte de contaminantes a larga distancia. Este estudio presenta un modelo híbrido que combina memoria a corto y largo plazo convolucional (ConvLSTM) y redes neuronales profundas (DNN) para mejorar la previsión de PM en Seúl, Corea del Sur. El modelo híbrido aprovecha la capacidad de ConvLSTM para capturar dependencias espaciotemporales y la fortaleza de DNN en la extracción de características, lo que le permite superar a los modelos CMAQ y DNN independientes. Para la previsión T1 (promedios de 6 h), el modelo ConvLSTM-DNN mostró un rendimiento superior, con un RMSE de 7.2 ug/m en comparación con 8.5 ug/m de DNN y 10.1 ug/m de CMAQ. El modelo también mantuvo una alta precisión categórica (ACC) y probabilidad de detección (POD) para niveles críticos de PM, mientras que redujo las falsas alarmas (FAR), particularmente en eventos malos y muy malos. Aunque su rendimiento disminuye en períodos de previsión prolongados, el modelo ConvLSTM-DNN demuestra su utilidad como una herramienta de previsión robusta. El trabajo futuro se centrará en optimizar la estructura de la red para mejorar la precisión de las previsiones a largo plazo.