Mantener un seguimiento de la calidad del aire es fundamental para emitir medidas preventivas que mitiguen los efectos adversos en la población. Este estudio presenta un nuevo enfoque cuántico-clásico, combinando una estructura de aprendizaje profundo basada en grafos con una red neuronal cuántica para predecir la concentración de ozono hasta 6 horas en adelante. La arquitectura propuesta utilizó datos históricos de Houston, Texas, una importante área urbana que frecuentemente no cumple con las regulaciones de calidad del aire. Nuestros resultados revelaron que una transición más suave entre el marco clásico y su contraparte cuántica mejora los resultados del modelo. Además, observamos que combinar la normalización min-max con un aumento en las repeticiones del ansatz también mejoró el rendimiento del modelo híbrido. Esto fue evidente al evaluar las métricas de evaluación: error cuadrático medio (RMSE), coeficiente de determinación (R) y habilidad de pronóstico (FS). Los valores de R y FS para los horizontes considerados fueron 94.12% y 31.01% para 1 hora, 83.94% y 48.01% para 3 horas, y 75.62% y 57.46% para 6 horas de pronósticos. Una comparación con la literatura existente tanto para modelos clásicos como para modelos de aprendizaje automático cuántico (QML) reveló que la metodología propuesta podría proporcionar resultados competitivos e incluso superar algunos modelos de pronóstico bien establecidos, demostrando ser un recurso valioso para la previsión de la calidad del aire y, por lo tanto, validando este enfoque.