Entre las crisis globales críticas que limitan el desarrollo y la sostenibilidad del mundo, la degradación de la calidad del aire ha sido una de larga duración y cada vez más urgente, y se ha demostrado suficientemente que representa graves amenazas para la salud humana y el bienestar social. Un mayor nivel de precisión en las predicciones del modelo puede desempeñar un papel fundamental en la evaluación de la calidad del aire y en la mejora del bienestar humano. En este artículo, se adoptaron cuatro tipos de modelos de aprendizaje automático: modelo de bosque aleatorio, modelo de regresión de crestas, modelo de máquina de soporte vectorial y modelo de árboles extremadamente aleatorizados, para predecir la concentración de PM en diez ciudades de la región de Jing-Jin-Ji en el norte de China, basándose en datos espaciotemporales de múltiples fuentes, incluyendo datos de calidad del aire y meteorológicos en series temporales. Los datos se introdujeron en el modelo utilizando el método de predicción rodante, que ha demostrado mejorar la precisión de las predicciones en nuestros experimentos. Por último, los experimentos comparativos muestran que a nivel de ciudad, los modelos RF y ExtraTrees tienen mejores resultados predictivos con un menor error absoluto medio (MAE), un menor error cuadrático medio (RMSE) y un mayor índice de concordancia (IA) en comparación con otros modelos seleccionados. En cuanto a la estacionalidad, los cuatro modelos tienen el mejor rendimiento predictivo en invierno y el peor en verano, y los modelos RF tienen el mejor rendimiento predictivo con un IA que varía de 0.93 a 0.98 y un MAE de 5.91 a 11.68 g/m. En consecuencia, se espera que la demostración de cómo cada modelo se desempeña de manera diferente en cada ciudad y cada estación arroje luz sobre las implicaciones de políticas ambientales.