La predicción precisa del Índice de Calidad del Aire (AQI) es crucial para el control de la contaminación ambiental. Sin embargo, la fuerte no linealidad y la pronunciada no estacionariedad de las series temporales del AQI limitan la precisión de las predicciones de un solo modelo. Por lo tanto, este artículo propone un nuevo modelo de predicción de AQI eficiente. Primero, la secuencia de AQI cruda se descompone utilizando la Descomposición Empírica de Modo Completo con Ruido Adaptativo (CEEMDAN). Esto se combina con la Entropía de Muestra (SE) y el agrupamiento K-means para reconstruir sub-secuencias de alta, media y baja frecuencia. Para el componente de alta frecuencia, se realiza una segunda descomposición utilizando la Descomposición de Modo Variacional (VMD) optimizada por el Optimizador de Puercoespín Crestado (CPO). Esto forma la base para construir un modelo de predicción híbrido: el modelo CEEMDAN-SE-CPO-VMD-Transformer-BiLSTM. Finalmente, el error de predicción se corrige a través de la Máquina de Soporte de Mínimos Cuadrados (LSSVM). Un análisis empírico basado en datos de AQI de Pekín en el verano de 2023 demuestra que este modelo supera significativamente a los modelos tradicionales y a los modelos de descomposición única en términos de MAE, RMSE, MAPE y métricas R. Experimentos intertemporales confirman aún más su excelente rendimiento predictivo y robustez a lo largo de la primavera, el otoño y el invierno. Este modelo proporciona un enfoque nuevo, eficiente y confiable para la predicción del AQI.