El entorno urbano cerca de la infraestructura vial se ve particularmente afectado por las emisiones del tráfico. Este problema se agrava en los cruces de carreteras. La concentración de emisiones de partículas (PM2.5 y PM10) en el borde de la carretera depende de parámetros de tráfico, condiciones meteorológicas, características y estado de la superficie de la carretera y el desarrollo urbano, que afecta el flujo de aire y la turbulencia. Los cambios continuos en la estructura y condiciones del flujo de tráfico afectan directamente la concentración de emisiones en el borde de la carretera, lo que complica significativamente el monitoreo y pronóstico del estado del aire ambiente. Nuestro estudio presenta un modelo híbrido para estimar la cantidad, concentración y pronóstico espacio-temporal de emisiones de partículas, teniendo en cuenta los cambios dinámicos en la estructura del tráfico vial y la influencia de factores meteorológicos. El módulo de entrada del modelo se basa en datos recibidos de cámaras de calle y estaciones meteorológicas utilizando una red neuronal convolucional entrenada. Basándonos en la historia de datos de concentración de emisiones como datos de entrada, utilizamos una Red Neuronal Recurrente (RNN) de autoaprendizaje para el pronóstico. A través de la micromodelación, encontramos que el orden en el que los vehículos entran y salen de una intersección afecta la concentración de emisiones relacionadas con los vehículos. Los resultados experimentales preliminares mostraron que el modelo propuesto proporciona una mayor precisión en el pronóstico de la concentración de emisiones (83-97%) que los enfoques existentes.