La contaminación por material particulado (PM) es una preocupación global importante debido a su impacto negativo en la salud humana. Para abordar eficazmente este problema, es crucial contar con un sistema de pronóstico confiable y eficiente. En este estudio, proponemos un marco para predecir las concentraciones de material particulado utilizando datos disponibles públicamente de sensores de bajo costo y aprendizaje profundo. Modelamos la variabilidad temporal a través de una nueva Red Neuronal de Memoria a Largo y Corto Plazo que ofrece un nivel de interpretabilidad. La dependencia espacial de la contaminación por material particulado en áreas urbanas se modela incorporando características de la aglomeración urbana, a saber, la densidad poblacional media y la relación media de área de piso. Nuestro enfoque es general y escalable, ya que se puede aplicar a cualquier tipo de sensor. Además, nuestro marco permite sensores portátiles, ya sea montados en vehículos o utilizados por personas. Demostramos su efectividad a través de un estudio de caso en Grecia, donde los entornos urbanos densos combinados con redes de sensores de bajo costo son una peculiaridad. Específicamente, consideramos Patras, una ciudad portuaria griega, donde la contaminación neta por PM proviene de una variedad de fuentes, incluyendo el tráfico, la actividad portuaria y la calefacción doméstica. Nuestro modelo logra una precisión de pronóstico comparable a la resolución de los sensores y proporciona información significativa sobre los resultados.