Una preocupación clave relacionada con la contaminación del aire por partículas es el desarrollo de un sistema de alerta temprana que pueda predecir los niveles locales de PM y episodios de concentración excesiva de PM utilizando factores meteorológicos verticales. Los algoritmos de aprendizaje automático (ML), particularmente aquellos con tareas de reconocimiento, muestran un gran potencial para este propósito. El objetivo de este estudio fue comparar el rendimiento de la regresión lineal múltiple (MLR) y el perceptrón multicapa (MLP) en la predicción de niveles de PM. El software fue entrenado para predecir niveles de PM hasta 7 días de anticipación utilizando datos de mediciones a largo plazo de factores meteorológicos verticales tomadas a cinco alturas sobre el nivel del suelo (AGL)-10, 30, 50, 75 y 110 m-y concentraciones de PM medidas a 30 m AGL. Los datos utilizados fueron recolectados entre 2015 y 2020 en la estación de monitoreo de microclima y contaminantes del aire en la Universidad Kasetsart, Bangkok, Tailandia. Los resultados mostraron que los coeficientes de correlación de PM predicha y observada utilizando MLR y MLP estaban en el rango de 0.69-0.86 y 0.64-0.82, respectivamente, para 1-3 días adelante. Ambos modelos mostraron un acuerdo satisfactorio con los datos medidos, y MLR tuvo un mejor rendimiento que MLP en la predicción de PM. En conclusión, este estudio demuestra que el enfoque propuesto puede ser utilizado como un componente de un sistema de alerta temprana en las ciudades, contribuyendo a la gestión sostenible de la calidad del aire en áreas urbanas.