La contaminación por PM en el aire representa una amenaza significativa para la salud pública y el medio ambiente ecológico. Existe una necesidad urgente de desarrollar modelos de predicción de PM precisos para apoyar la toma de decisiones y reducir riesgos. Esta revisión explora de manera integral el progreso en la predicción de la concentración de PM, abarcando tendencias bibliométricas, características de datos de series temporales, aplicaciones de aprendizaje profundo y direcciones de desarrollo futuro. Este artículo obtuvo datos de 2327 artículos de revistas publicados entre 2014 y 2024 de la base de datos WOS. El análisis bibliométrico muestra que la producción de investigación está creciendo rápidamente, con China y Estados Unidos desempeñando un papel destacado, y la investigación reciente se centra cada vez más en métodos impulsados por datos como el aprendizaje profundo. Las principales fuentes de datos incluyen monitoreo terrestre, observaciones meteorológicas, teledetección y datos de actividad socioeconómica. Los modelos de aprendizaje profundo (incluyendo CNN, RNN, LSTM y Transformer) funcionan bien al capturar dependencias temporales complejas. Con su mecanismo de autoatención y capacidades de procesamiento paralelo, Transformer es particularmente destacado para abordar los desafíos del modelado de secuencias largas. A pesar de estos avances, persisten desafíos como la integración de datos, la interpretabilidad del modelo y el costo computacional. Tecnologías emergentes como el meta-aprendizaje, las redes neuronales de grafos y el modelado multiescala ofrecen soluciones prometedoras, mientras que la integración de modelos de predicción en aplicaciones del mundo real, como los sistemas de ciudades inteligentes, puede mejorar el impacto práctico. Esta revisión proporciona una guía informativa para investigadores y novatos, ofreciendo una comprensión de métodos de vanguardia, aplicaciones prácticas y rutas de aprendizaje sistemáticas. Su objetivo es promover el desarrollo de modelos de predicción robustos y eficientes para contribuir a la gestión de la contaminación del aire a nivel global y a los esfuerzos de protección de la salud pública.