En el mundo, con el continuo desarrollo de la sociedad moderna y la aceleración de la urbanización, el problema de la contaminación del aire se está volviendo cada vez más evidente. Los métodos para predecir la calidad del aire y determinar la gobernanza necesaria son, en la actualidad, los problemas más urgentes que esperan ser resueltos por los seres humanos. En los últimos años, se han utilizado cada vez más métodos basados en aprendizaje automático para resolver el problema de la predicción de la calidad del aire. Sin embargo, la incertidumbre de los cambios ambientales y la dificultad de predecir con precisión los valores cuantitativos influyen seriamente en los resultados de la predicción. En este artículo, el método propuesto para la predicción de la calidad de los contaminantes del aire, basado en una red de memoria a largo y corto plazo (LSTM) inspirada en la optimización de hiperparámetros, ofrece dos ventajas. En primer lugar, se introduce la definición de la calidad del aire en la tarea de predicción de la calidad del aire, lo que convierte un problema de ajuste en un problema de clasificación y simplifica el problema complejo; en segundo lugar, se utiliza el algoritmo de optimización de cazador-presa para optimizar los hiperparámetros de la estructura LSTM y obtener la estructura de red óptima determinada de manera adaptativa a través del uso de datos de entrada, lo que puede incluir más habilidades de generalización. Los resultados experimentales de tres conjuntos de datos reales de calidad del aire de Xi"an muestran la efectividad del método propuesto.