Predecir con precisión las concentraciones de PM es una tarea crucial para proteger la salud pública y tomar decisiones políticas. Mientras tanto, también es una tarea desafiante, dado los complejos patrones espacio-temporales de las concentraciones de PM. Recientemente, la utilización de modelos de redes neuronales de grafos (GNN) ha surgido como un enfoque prometedor, demostrando ventajas significativas en la captura de las dependencias espaciales y temporales asociadas con las concentraciones de PM. En este trabajo, recopilamos un conjunto de datos completo que abarca 308 ciudades en China, incluyendo datos sobre siete contaminantes así como variables meteorológicas desde enero de 2015 hasta septiembre de 2022. Para predecir eficazmente las concentraciones de PM, proponemos un modelo de red neuronal recurrente de atención en grafos (GARNN) teniendo en cuenta tanto la información meteorológica como la geográfica. Experimentos extensivos validaron la eficiencia del modelo GARNN propuesto, revelando su rendimiento superior en comparación con otros métodos existentes en términos de capacidades predictivas. Este estudio contribuye a avanzar en la comprensión y predicción de las concentraciones de PM, proporcionando una herramienta valiosa para abordar los desafíos ambientales.