La previsión oportuna a corto plazo de la calidad del aire espacial es esencial para el monitoreo y la prevención en las aglomeraciones urbanas, proporcionando una nueva perspectiva sobre la prevención conjunta de la contaminación del aire. Sin embargo, un solo modelo de previsión de la contaminación del aire o de análisis de correlación espacial es insuficiente para satisfacer la fuerte demanda. Por lo tanto, este artículo propuso un sistema complejo de monitoreo en tiempo real y asistencia en la toma de decisiones, utilizando un módulo de previsión híbrido y análisis de redes sociales. En primer lugar, antes de construir un módulo de previsión preciso, se introdujeron el análisis de sentimiento del texto y una estrategia basada en múltiples métodos de selección de características y fusión de resultados para el preprocesamiento de datos. Posteriormente, se propuso CNN-D-LSTM para mejorar la capacidad de captura de características y hacer que la previsión sea más precisa. Luego, se utilizó el análisis de redes sociales para explorar las características de transporte espacial, lo que podría proporcionar soluciones para la prevención y el control conjuntos en las aglomeraciones urbanas. Para la simulación del experimento, se construyeron dos experimentos comparativos para modelos individuales y previsión de clústeres de ciudades, en los que el error absoluto medio disminuye a 7.8692 y el coeficiente de correlación de Pearson es 0.9816. Para la previsión general de clústeres espaciales, los experimentos relacionados demostraron que con una división de clústeres adecuada, el coeficiente de correlación de Pearson podría mejorarse a casi 0.99.