Las emisiones del tráfico son una de las fuentes más significativas de contaminación atmosférica por PM2.5 en los países en desarrollo, impulsadas por la prevalencia de flotas de vehículos envejecidos y la inadecuación de los marcos regulatorios para mitigar las emisiones de manera efectiva. Este estudio presenta un marco híbrido de Entrenamiento Basado en Población (PBT)-ResNet para clasificar los niveles de PM2.5 relacionados con el tráfico en exposición peligrosa (HE) y exposición aceptable (AE), basado en las directrices de la Organización Mundial de la Salud (OMS). El marco integra arquitecturas de ResNet (ResNet18, ResNet34 y ResNet50) con optimización de hiperparámetros impulsada por PBT, utilizando datos de sensores Open-Seneca a lo largo de la Autopista de Nairobi, combinados con datos meteorológicos y de tráfico. Primero, el análisis mostró que el ResNet34 ajustado por PBT fue el modelo más efectivo, logrando una precisión (0.988), recuperación (0.971), F1-Score (0.979), Coeficiente de Correlación de Matthews (MCC) de 0.904, Media Geométrica (G-Mean) de 0.962 y Precisión Balanceada (BA) de 0.962, superando a modelos alternativos, incluyendo ResNet18, ResNet34 y enfoques de referencia como Redes Neuronales Feedforward (FNN), Memoria a Largo Plazo Bidireccional (BiLSTM), Unidad Recurrente Gated Bidireccional (BiGRU) y Programación de Expresión Génica (GEP). El análisis posterior de la importancia de las características utilizando una estrategia basada en permutaciones, junto con el análisis SHAP, reveló que la humedad y el volumen de tráfico horario eran las características más influyentes. Los hallazgos indicaron que los valores de humedad de media a alta estaban asociados con una mayor probabilidad de HE, mientras que los volúmenes de tráfico de media a alta también contribuían a la ocurrencia de HE.