Se desarrolló un transformador de atención híbrido (HAT) para predicciones diarias precisas de PM en Seúl. El rendimiento del HAT se evaluó a través de un análisis comparativo de sus predicciones en relación con las observaciones en tierra y las de un modelo de transporte químico tridimensional (3-D CTM). Los resultados demostraron que el HAT superó al 3-D CTM, logrando un 4.60% más de índice de acuerdo (IOA). Además, el HAT mostró un 22.09% menos de errores y un 82.59% menos de sesgo en comparación con el 3-D CTM. También se analizaron las variaciones diurnas en las predicciones de PM de ambos modelos para explorar más a fondo las características del modelo propuesto. Las predicciones del HAT se alinearon estrechamente con el PM observado a lo largo del día, mientras que el 3-D CTM mostró una variabilidad diurna significativa. La importancia de las características de entrada se evaluó utilizando el método de permutación, que reveló que el PM del día anterior era la característica más influyente. La robustez del HAT se validó aún más a través de una comparación con el modelo de memoria a largo y corto plazo (LSTM), que mostró un 18.50% menos de errores y un 95.91% menos de sesgos, incluso durante eventos de El Niño. Estos hallazgos prometedores destacan el significativo potencial del HAT como una herramienta rentable y altamente precisa para la predicción de la calidad del aire.