El entorno atmosférico es de gran importancia para la salud humana. Sin embargo, sus factores influyentes son complejos y variables. Se requiere una técnica eficiente para estimar con mayor precisión los valores de concentración de PM. En este artículo, se propone un algoritmo de búsqueda de gorriones mejorado (LASSA) optimizado para la máquina de refuerzo de gradiente ligero (LightGBM) para la predicción de la concentración de PM. Este enfoque puede proporcionar predicciones precisas mientras reduce las pérdidas potenciales resultantes de eventos inesperados. LightGBM se considera un enfoque destacado de aprendizaje automático; sin embargo, incluye hiperparámetros que deben mezclarse de manera óptima para lograr los resultados deseados. Actualizamos el algoritmo de búsqueda de gorriones (SSA) y lo utilizamos para identificar la combinación óptima de los parámetros más cruciales, utilizando validación cruzada para aumentar la fiabilidad. Utilizando datos limitados de calidad del aire y datos meteorológicos como entradas, se predijeron los valores de concentración de PM. La salida de LASSA-LGB se comparó con LGB normal, SSA-LGB e ISSA-LGB. Los hallazgos demuestran que LASSA-LGB supera a los otros modelos en términos de precisión de predicción. Los índices de error RMSE y MAPE se redujeron del 3% al 16%. El coeficiente de correlación de concordancia no es inferior a 0.91, y el R alcanzó 0.96. Esto indica que el modelo propuesto tiene ventajas potenciales en el campo de la predicción de la concentración de PM.