La predicción precisa de la concentración de PM es importante para el control de la contaminación, la salud pública y la protección ecológica. Sin embargo, debido a la naturaleza no lineal de los datos de PM, la precisión de los métodos existentes se ve afectada y tiene un rendimiento deficiente tanto en predicciones a corto como a largo plazo. En este estudio, se propone un modelo de predicción híbrido de aprendizaje profundo basado en agrupamiento y descomposición cuadrática. El modelo utiliza la descomposición modal empírica de conjunto completo con ruido adaptativo (CEEMDAN) para descomponer las secuencias de PM en múltiples componentes de funciones modales intrínsecas (IMFs) y agrupa y vuelve a fusionar las subsecuencias con complejidad similar mediante entropía por permutación (PE) y agrupamiento K-means. Para las secuencias de alta frecuencia fusionadas, se realiza una descomposición secundaria utilizando el algoritmo de optimización de ballenas (WOA) y la descomposición modal variacional optimizada (VMD). Finalmente, se capturan las características no lineales y temporales para la predicción utilizando la red neuronal de memoria a largo y corto plazo (LSTM). Los experimentos muestran que este modelo propuesto exhibe buena estabilidad y capacidad de generalización. No solo realiza predicciones precisas a corto plazo, sino que también captura las tendencias en la predicción a largo plazo. Se observa una mejora significativa en el rendimiento en comparación con los modelos de referencia. Las comparaciones adicionales con los modelos existentes superan a los modelos actuales más avanzados.