Con la rápida urbanización e industrialización en Taiwán, los contaminantes generados por los procesos industriales, la combustión de carbón y las emisiones de vehículos han llevado a graves problemas de contaminación del aire. Este estudio se centra en predecir la concentración de material particulado fino (PM). Esto permite a las personas ser conscientes de su entorno inmediato con antelación, reduciendo su exposición a altas concentraciones de material particulado fino. El área de investigación incluye la ciudad de Keelung y el distrito de Xizhi en la ciudad de Nueva Taipei, ubicada en el norte de Taiwán. Este estudio establece cinco modelos de predicción fina basados en algoritmos de aprendizaje automático, a saber, la red neuronal profunda (DNN), el algoritmo de árbol de decisión M5" (M5P), el algoritmo de árbol de decisión de reglas M5" (M5Rules), el árbol de modelo alternante (AMT) y la regresión lineal múltiple (MLR). Basándose en los resultados predictivos de estos cinco modelos, el estudio evalúa el modelo óptimo para horizontes de pronóstico y propone un sistema de predicción de concentración de PM en tiempo real mediante la integración de varios modelos. Los resultados demuestran que los errores de predicción varían entre diferentes modelos en diferentes horizontes de pronóstico, sin que un solo modelo supere consistentemente a los demás. Por lo tanto, el establecimiento de un sistema de predicción híbrido resulta ser más preciso en la predicción de la concentración futura de PM en comparación con un solo modelo. Para evaluar la viabilidad del sistema, el proceso de estudio involucró la simulación de datos, con un enfoque particular en la temporada de invierno cuando las altas concentraciones de PM son prevalentes. El sistema predictivo generó excelentes resultados, aunque los errores aumentaron en las predicciones a largo plazo. El sistema puede ajustar rápidamente sus predicciones a lo largo del tiempo, pronosticando efectivamente la concentración de PM para las próximas 12 horas.