La creciente evidencia vincula los gradientes intraurbanos de partículas finas atmosféricas (PM), un cóctel complejo y variable de productos químicos tóxicos, con resultados adversos para la salud. Aquí, proponemos un marco mejorado de modelo de aprendizaje profundo jerárquico para estimar la variación horaria de la concentración de masa de PM a nivel de calle. Al utilizar datos de monitoreo de un año completo (incluidos parámetros meteorológicos, concentraciones horarias de PM y precursores gaseosos) de múltiples estaciones en Shanghái, la ciudad más grande de China, como conjunto de datos de entrenamiento, primero aplicamos una red neuronal convolucional para obtener características de dominio cruzado y series temporales, de modo que se puedan extraer de manera efectiva las características inherentes de la calidad del aire y los datos meteorológicos asociados con PM. A continuación, se utiliza una capa de cálculo de peso gaussiano para determinar los posibles efectos de interacción entre diferentes regiones y estaciones vecinas. Finalmente, se utiliza una capa de modelo de memoria a largo y corto plazo para extraer de manera eficiente las características de evolución temporal de las concentraciones de PM a partir de la capa de salida anterior. Un análisis comparativo adicional revela que nuestro marco de modelo propuesto supera significativamente a los métodos de referencia anteriores en términos de estabilidad y precisión de la predicción de PM, lo que tiene importantes implicaciones para la evaluación de la salud intraurbana de las exposiciones a la contaminación relacionada con PM.