La predicción precisa de las emisiones de dióxido de carbono (CO) de los vehículos ligeros es fundamental para mitigar los impactos ambientales y mejorar el cumplimiento normativo en la industria automotriz. Sin embargo, desafíos como los espacios de características de alta dimensionalidad, la redundancia de características y la sensibilidad a los hiperparámetros limitan la eficiencia de los modelos de aprendizaje automático (ML) en la predicción de emisiones de CO. Este estudio investiga sistemáticamente la eficacia de los modelos de ML para la predicción de emisiones de CO utilizando el conjunto de datos de Consumo de Combustible 2023, con un enfoque particular en la optimización de la selección de características y la sintonización de hiperparámetros a través de técnicas metaheurísticas. El rendimiento de varios modelos de ML, incluido el Transformador de Fusión Temporal (TFT), se evalúa antes y después de la optimización. Inicialmente, el modelo TFT logró un error cuadrático medio raíz (RMSE) de 0.082723421 en el escenario base. La selección de características utilizando el Algoritmo de Optimización de Fútbol (FbOA) mejoró significativamente su rendimiento, reduciendo el RMSE a 0.018798774. Un mayor mejoramiento a través de la optimización metaheurística usando FbOA resultó en un RMSE excepcionalmente bajo de 0.000923, demostrando ganancias sustanciales en la precisión predictiva. Los hallazgos subrayan el impacto de la selección de características impulsada por metaheurísticas y la sintonización de hiperparámetros en la optimización de modelos de ML para aplicaciones de sostenibilidad ambiental. Este trabajo proporciona un marco para integrar metodologías avanzadas de ML con técnicas de optimización, ofreciendo a los responsables políticos y fabricantes de automóviles una herramienta sólida para evaluar y reducir las emisiones de vehículos.