En este artículo, nuestro objetivo fue estudiar la predicción de las concentraciones de masa superficial de PM2.5 por hora en la ciudad de Trípoli, Libia. Empleamos tres modelos de aprendizaje profundo de última generación, a saber, memoria a corto y largo plazo, unidad recurrente con compuertas y redes neuronales convolucionales, para predecir los niveles de PM2.5 utilizando una metodología de series temporales univariantes. Nuestros resultados revelaron que el modelo de redes neuronales convolucionales fue el que mejor desempeño tuvo, con un coeficiente de variación del 99% y un error porcentual absoluto medio del 0.04. Estos hallazgos proporcionan valiosos conocimientos sobre el uso de modelos de aprendizaje profundo para la predicción de PM2.5 y pueden informar la toma de decisiones respecto a la gestión de la calidad del aire en la ciudad de Trípoli.