Este estudio aplicó diversas técnicas de aprendizaje automático, incluidos métodos de reducción, XGBoost, CSR y bosques aleatorios, para pronosticar las concentraciones de material particulado ultrafino (PM2.5) en Seúl, Corea del Sur. El análisis incorporó variables clave conocidas por influir significativamente en los niveles de PM2.5, incluidos datos meteorológicos, generación de energía a partir de carbón y concentraciones de PM2.5 en Dalian, China. Utilizando datos diarios desde el 1 de enero de 2018 hasta el 30 de junio de 2023, este estudio empleó el algoritmo Boruta, una técnica de selección de variables basada en el modelo de bosque aleatorio, para identificar los predictores más influyentes para predecir las concentraciones de PM2.5. Se evaluaron pronósticos multi-período fuera de muestra para cada modelo utilizando el RMSE, MAE y la prueba de Giacomini-White para determinar el enfoque de pronóstico más efectivo. Se encontró que el modelo de bosque aleatorio con el algoritmo Boruta superó a todos los demás modelos, logrando mejoras del 4% al 17% en el RMSE y del 4% al 16.5% en el MAE en todos los horizontes de pronóstico. Los resultados indican que el modelo de bosque aleatorio y su variante que incorpora el algoritmo Boruta proporcionaron un rendimiento superior en pronósticos a corto plazo. En particular, el algoritmo Boruta destacó las variables rezagadas de temperatura, concentración de PM2.5, humedad media y concentración de PM2.5 en Dalian como factores críticos para la predicción precisa de los niveles de PM2.5 en Seúl. Estos hallazgos subrayan la utilidad de los enfoques basados en datos para mejorar la previsión y gestión de la calidad del aire.