En este estudio, se desarrolla una novedosa estrategia general de varios pasos por delante para predecir series temporales de contaminantes atmosféricos. Los valores de los predictores en momentos futuros se recopilan de sitios oficiales de pronóstico del tiempo como datos independientes ex-ante. Se actualizan con nuevos valores pronosticados cada día. Cada nueva muestra se utiliza para construir un modelo único separado que predice simultáneamente los niveles futuros de contaminación. Los pronósticos buscados se estimaron promediando las predicciones reales de los modelos individuales. La estrategia se aplicó a tres contaminantes: PM, SO y NO, en la ciudad de Pernik, Bulgaria. Se aplicaron los algoritmos de aprendizaje automático de bosque aleatorio (RF) y arcos (Arc-x4) para el modelado. Aunque hay muchos predictores altamente cambiantes de un día para otro, la estrategia de promediado propuesta muestra una alternativa prometedora a los modelos individuales. En la mayoría de los casos, los errores cuadráticos medios (RMSE) de los modelos de promediado (aRF y aAR) para los últimos 10 horizontes son más bajos que los de los modelos individuales. En particular, para PM, el RMSE de aRF es de 13,1 frente a 13,8 microgramos por metro cúbico para el modelo único; para el modelo de NO, aRF muestra 21,5 frente a 23,8; para SO, aAR tiene 17,3 frente a 17,4; para NO, el RMSE de aAR es de 22,7 frente a 27,5, respectivamente. El sesgo fraccional se encuentra dentro de los mismos límites de (-0,65, 0,7) para todos los modelos construidos.