La contaminación del aire en las ciudades tiene un impacto masivo en la salud humana, y un aumento en las concentraciones de materia particulada fina (PM) es la principal razón de la contaminación del aire. Debido a las complejidades caóticas e intrínsecas de las series temporales de concentración de PM, es difícil utilizar enfoques tradicionales para extraer información útil de estos datos. Por lo tanto, se emplea un modelo neural con un mecanismo dendrítico entrenado a través del algoritmo de búsqueda de estados de la materia (SDNN) para realizar pronósticos diarios de concentración de PM. Primordialmente, el retraso temporal y las dimensiones de incrustación se calculan a través del método basado en información mutua y el enfoque de vecinos más cercanos falsos para entrenar los datos, respectivamente. Luego, se realiza la reconstrucción del espacio de fases para mapear la serie temporal de concentración de PM en un espacio de alta dimensión basado en el retraso temporal y las dimensiones de incrustación obtenidas. Finalmente, se emplea el SDNN para pronosticar la concentración de PM. La efectividad de este enfoque se verifica a través de extensas evaluaciones experimentales, que recopilan seis conjuntos de datos del mundo real de los últimos años. Hasta donde sabemos, este estudio es el primer intento de utilizar un modelo neural dendrítico para realizar pronósticos de calidad del aire del mundo real. Los extensos resultados experimentales demuestran que el SDNN ofrece un rendimiento muy competitivo en relación con las últimas técnicas de predicción.