En los entornos urbanos de hoy, medir y predecir con precisión la contaminación del aire es crucial para combatir los efectos de la contaminación. El aprendizaje automático (ML) es ahora un método preferido para hacer predicciones detalladas sobre los niveles de contaminación del aire en las ciudades. En este estudio, profundizamos en cómo se mide y predice la contaminación del aire en entornos urbanos. Utilizando la metodología PRISMA, elegimos estudios relevantes de bases de datos reconocidas como PubMed, Springer, IEEE, MDPI y Elsevier. Luego, examinamos detenidamente estos documentos para ver cómo utilizan algoritmos de ML, modelos y enfoques estadísticos para medir y predecir los contaminantes del aire urbano más comunes. Después de una revisión detallada, redujimos nuestra selección a 30 documentos que se ajustan mejor a nuestros objetivos de investigación. Compartimos nuestros hallazgos a través de una comparación exhaustiva de estos documentos, arrojando luz sobre los contaminantes del aire más frecuentemente predichos, los modelos de ML elegidos para estas predicciones y cuáles funcionan mejor para determinar la calidad del aire en las ciudades. También echamos un vistazo a Skopje, la capital de Macedonia del Norte, como un ejemplo de una ciudad que aún está trabajando en sus sistemas de medición y predicción de la contaminación del aire. En conclusión, existen métodos sólidos para la medición y predicción de la contaminación del aire. Los obstáculos tecnológicos ya no son un gran impedimento, lo que significa que los responsables de la toma de decisiones tienen soluciones listas para usar para ayudar a abordar el problema de la contaminación del aire.