La materia particulada (PM) constituye uno de los principales contaminantes del aire. La exposición humana a PM fina (PM con un diámetro medio menor o igual a 2.5 m) tiene muchos resultados negativos y diversos para la salud humana, como la mortalidad respiratoria, el cáncer de pulmón, etc. La previsión precisa de la calidad del aire a escala regional permite a las agencias locales diseñar y aplicar políticas adecuadas (por ejemplo, cumplir con limitaciones específicas de emisiones) para abordar el problema de la contaminación del aire. En este marco, los sensores de bajo costo han surgido recientemente como una herramienta valiosa, facilitando el monitoreo espaciotemporal de la contaminación del aire a escala local. En este estudio, presentamos un enfoque de aprendizaje profundo (memoria a corto y largo plazo, LSTM) para prever las superaciones de la contaminación del aire intra-diarias en áreas urbanas y suburbanas. Los datos de PM utilizados en este estudio fueron recolectados de 12 sensores de bajo costo bien calibrados (Purple Air) ubicados en la gran área del Municipio de Thermi en Tesalónica, Grecia. La metodología basada en LSTM implementa datos de PM así como datos auxiliares, variables meteorológicas del Servicio de Monitoreo de la Atmósfera de Copernicus (CAMS), que es operado por ECMWF, y variables temporales relacionadas con las emisiones locales para mejorar el rendimiento de la previsión de la contaminación del aire. La precisión de las previsiones del modelo reportó resultados adecuados, revelando un coeficiente de correlación entre los PM medidos y los datos de previsión de LSTM que oscila entre 0.67 y 0.94 para todos los horizontes temporales, con una tendencia decreciente a medida que aumenta el horizonte temporal. En cuanto a las superaciones de la contaminación del aire, el sistema de previsión LSTM puede capturar correctamente más del 70.0% de los eventos de superación de la contaminación del aire en la región de estudio. Estos hallazgos destacan las capacidades del modelo para detectar correctamente posibles superaciones de los umbrales de la OMS y proporcionar información valiosa sobre la calidad del aire local.