La emisión de contaminantes del aire en la atmósfera es un problema global, ya que contribuye al calentamiento global y a problemas relacionados con el clima. Las actividades humanas, como la quema de combustibles fósiles, influyen en los cambios en los patrones climáticos, lo que resulta en problemas como el aumento del nivel del mar, entre otras cosas. Identificar las rutas de la red vial dentro de la provincia de Cabo del Norte en Sudáfrica que están menos expuestas a contaminantes del aire como el monóxido de carbono es el problema que este estudio busca abordar. El método utilizado para nuestras predicciones se basa en una red neuronal de convolución gráfica (GCN) y memoria a corto y largo plazo (LSTM). La GCN extrae características geoespaciales, y la LSTM captura tanto relaciones no lineales como dependencias temporales en un conjunto de datos de contaminantes del aire y meteorológicos. Además, una estrategia de búsqueda A* identifica el camino de una ubicación a otra con las concentraciones más bajas de monóxido de carbono dentro de una red vial. La técnica de inteligencia artificial explicable (xAI) se utiliza para describir la relación no lineal entre la variable objetivo y las características. Se aprovecharon datos meteorológicos y de contaminantes del aire en forma de valores estadísticos de media, mínimo y máximo, y se utilizó una técnica de muestreo aleatorio para llenar el vacío de datos y ayudar a entrenar el modelo predictivo (GCN-LSTM-A*). El modelo predictivo se evaluó con valores de error cuadrático medio (MSE) y raíz del error cuadrático medio (RMSE) dentro de dos pasos de tiempo múltiples (8 y 16 h) con MSE de 0.1648 y 0.1701, respectivamente. La técnica LIME, que proporciona explicaciones de las características, muestra que la velocidad del viento y las concentraciones de NO y NOx disminuyeron el CO predicho, mientras que PM, humedad relativa y O aumentaron el CO predicho de la ruta.