Las predicciones precisas y confiables de la calidad del aire son críticas para el medio ambiente ecológico y la salud pública. El modelo tradicional no aprovecha completamente la información de alta y baja frecuencia obtenida después de la descomposición en wavelet, lo que lleva fácilmente a un rendimiento de predicción deficiente del modelo. Este artículo propone un modelo de predicción híbrido basado en la descomposición de datos, eligiendo la descomposición en wavelet (WD) para generar secuencias de detalles de alta frecuencia WD(D) y secuencias aproximadas de baja frecuencia WD(A), utilizando secuencias de detalles de alta frecuencia WD(D) para el procesamiento de reconstrucción, y una red neuronal de memoria a corto y largo plazo (LSTM) y un modelo de promedio móvil autorregresivo (ARMA) para las secuencias WD(D) y WD(A) para la predicción. Los resultados finales de la predicción de la calidad del aire se pueden obtener acumulando los valores predichos de cada subsecuencia, lo que reduce el error cuadrático medio (RMSE) en un 52%, el error absoluto medio (MAE) en un 47% y aumenta la bondad de ajuste (R2) en un 18% en comparación con el modelo de predicción único. En comparación con el modelo mixto, se redujo el RMSE en un 3%, se redujo el MAE en un 3% y se aumentó el R2 en un 0.5%. La verificación experimental encontró que el modelo de predicción propuesto resuelve el problema de los resultados de predicción retrasados del modelo de predicción único, lo que constituye un método de predicción de calidad del aire factible.