La contaminación del aire se está convirtiendo en una preocupación seria con el desarrollo de la sociedad y la expansión urbana, y predecir la calidad del aire es el problema más urgente para los seres humanos. Recientemente, se están utilizando cada vez más métodos basados en aprendizaje automático para resolver el problema de la predicción de la calidad del aire, y las unidades recurrentes con compuertas (GRU) son un método representativo debido a su ventaja para procesar datos de series temporales. Sin embargo, en la misma tarea de predicción de la calidad del aire, diferentes investigadores siempre han diseñado diferentes estructuras de la GRU debido a sus diferentes experiencias. Diseñar de manera adaptativa una estructura de GRU se ha convertido, por lo tanto, en un problema. En este artículo, proponemos una GRU adaptativa para abordar este problema, y las estructuras de GRU adaptativas se determinan por el conjunto de datos, lo que contribuye principalmente con tres pasos. En primer lugar, se propone un método de codificación para la estructura de la GRU para representar la estructura de la red en una cadena binaria de longitud fija; en segundo lugar, definimos el recíproco de la suma de la pérdida de cada individuo como la función de aptitud para el cálculo de iteración; en tercer lugar, se utiliza el algoritmo genético para calcular la estructura de la red GRU adaptativa a los datos, lo que puede mejorar el resultado de la predicción de la calidad del aire. Los resultados del experimento de tres conjuntos de datos reales en Xi"an muestran que el método propuesto logra una mejor efectividad en RMSE y SAMPE que los métodos existentes basados en LSTM, SVM y RNN.