La predicción precisa del índice de calidad del aire (AQI) es esencial para el monitoreo ambiental y la planificación urbana sostenible. Con el aumento de la contaminación debido a la industrialización y urbanización, particularmente por materia particulada fina (PM, PM), dióxido de nitrógeno (NO) y ozono (O), se necesitan herramientas de pronóstico robustas para apoyar intervenciones oportunas en salud pública. Este estudio propone un marco híbrido de aprendizaje profundo que combina la descomposición de modo empírico (EMD) y la descomposición de modo empírico en conjunto (EEMD) con dos arquitecturas de red neuronal recurrente: memoria a largo y corto plazo (LSTM) y unidad recurrente con compuerta (GRU). Se utilizó un conjunto de datos completo del Distrito de Xitun, Ciudad de Taichung, que incluye el AQI y 18 variables de contaminantes y meteorológicas, para entrenar y evaluar los modelos. El rendimiento del modelo se evaluó utilizando el error cuadrático medio, el error absoluto medio, el error porcentual absoluto medio y el coeficiente de determinación. Tanto los modelos LSTM como GRU capturan efectivamente los patrones temporales de los datos de calidad del aire, superando a los métodos tradicionales. Entre todas las configuraciones, el modelo EEMD-GRU ofreció la mayor precisión en la predicción, demostrando una fuerte capacidad para modelar datos ambientales de alta dimensión y no lineales. Además, la incorporación de técnicas de descomposición redujo significativamente el error de predicción en todos los modelos. Estos hallazgos destacan la efectividad de los enfoques híbridos de aprendizaje profundo para modelar series temporales ambientales complejas. Los resultados demuestran además su valor práctico en la gestión de la calidad del aire y en los sistemas de alerta temprana.