La predicción de la concentración de contaminantes del aire es esencial no solo para una gestión efectiva de la calidad del aire, sino también para la planificación de redes de rutas de aeronaves y vehículos terrestres en áreas terminales. En este trabajo, se utiliza una red neuronal artificial (ANN) para predecir los niveles de concentración de cuatro tipos de contaminantes del aire (CO, NO, PM y PM) en el Aeropuerto Internacional Suvarnabhumi. Aprovechando los datos históricos de Vigilancia Automática Dependiente de la Transmisión (ADS-B), se implementa un agrupamiento de patrones de trayectoria de aeronaves utilizando algoritmos de agrupamiento K-means y de mezcla gaussiana (GMM). Luego, esos patrones de trayectoria se introducen junto con otros datos de vuelo en los procesos de cálculo de la ANN, resultando en un modelo efectivo de predicción de contaminantes del aire para cada tipo de contaminante focal. Los resultados demuestran que los errores cuadráticos medios (MSE) de los modelos predichos para CO y PM tienen valores aceptables de 51.7622 y 53.9682, respectivamente, mientras que el modelo predicho para NO y PM tiene MSE de 139.6674 y 124.2517, respectivamente. Este estudio contribuye al avance de las metodologías de predicción de contaminantes del aire, facilitando mejores procesos de toma de decisiones, una gestión proactiva de la calidad del aire y la planificación de redes de rutas en los aeropuertos. Aunque algunos modelos de predicción para contaminantes del aire focalizados tienen MSE ligeramente altos, se necesita un estudio adicional para mejorar la capacidad del modelo de predicción.