Este estudio desarrolla un marco metodológico integrado para reducir la contaminación urbana asociada al tráfico en Kokshetau, donde la adopción de vehículos eléctricos es mínima y la infraestructura de carga casi inexistente. La propuesta combina principios de ecología urbana con modelación computacional, entrenando una red neuronal artificial (ANN) con datos específicos de intersecciones para predecir emisiones de CO, NOx, SO₂ y PM2.5. Esta ANN se incorpora a un modelo de optimización no lineal que ajusta los tiempos semafóricos para minimizar emisiones sin aumentar los retrasos del tráfico. Los resultados muestran reducciones de hasta 12.4% en CO, 9.8% en NOx, 7.6% en SO₂ y 10.3% en PM2.5 en puntos críticos de congestión, utilizando únicamente la infraestructura existente. Aunque el estudio presenta limitaciones, demuestra que la optimización semafórica es una medida rentable y escalable para mejorar la calidad del aire. La investigación fundamenta sus bases para integrar control adaptativo, monitoreo en tiempo real y estrategias de movilidad eléctrica en futuras políticas urbanas sostenibles.