Las partículas en suspensión de 2.5 (PM2.5) pueden tener un efecto profundo en la salud de la población. Muchos investigadores han estado informando predicciones numéricas altamente precisas basadas en datos crudos de PM2.5 importados directamente en modelos de aprendizaje profundo; sin embargo, todavía hay un considerable margen de mejora en términos de costos de implementación debido a la pesada carga computacional. Desde la perspectiva de la ciencia ambiental, los valores de PM2.5 en una ubicación determinada pueden atribuirse a fuentes locales, así como a fuentes externas. Las fuentes locales tienden a tener un impacto dramático a corto plazo en los valores de PM2.5, mientras que las fuentes externas tienden a tener efectos más sutiles pero de mayor duración. En presencia de PM2.5 de ambas fuentes al mismo tiempo, esta combinación de efectos puede socavar la precisión predictiva del modelo. Este documento presenta una nueva red neuronal recurrente Hammerstein combinacional (CHRNN) para mejorar la precisión predictiva y superar la carga computacional y monetaria impuesta por los modelos de aprendizaje profundo. El CHRNN comprende una red neuronal base encargada de aprender fluctuaciones graduales (a largo plazo) junto con redes neuronales adicionales para tratar las fluctuaciones dramáticas (a corto plazo). El CHRNN se puede acoplar con un modelo de bosque aleatorio para determinar en qué medida los efectos a corto plazo influyen en los resultados a largo plazo. También desarrollamos métodos novedosos de selección de características y normalización para mejorar la precisión de la predicción. Utilizando datos de medición del mundo real de la calidad del aire y conjuntos de datos de PM2.5 de Taiwán, la precisión del sistema propuesto en la predicción numérica de los niveles de PM2.5 fue comparable a la de los modelos de aprendizaje profundo de última generación, como las redes neuronales recurrentes profundas y la memoria a corto plazo, a pesar de los mucho menores costos de implementación y la carga computacional.