در سال‌های اخیر آلودگی هوا به یکی از چالش‌های مهم زیست‌محیطی در شهرهای بزرگ و صنعتی به ویژه شهر تهران تبدیل‌شده است. غلظت بالای ذرات معلق با قطر کمتر از 2/5 میکرومتر (PM2.5) که به عنوان اصلی‌ترین عامل آلودگی شهر تهران شناخته شده است، با تأثیرات جبران ناپذیری بر سلامتی انسان همراه است. ارائه مدل مکانی-زمانی با دقت و سرعت بالا برای پیش‌بینی به عنوان یک روش موثر برای حفاظت از سلامت عمومی در برابر افزایش آلاینده‌های مضر هوا می‌باشد. رشد سریع فن‌آوری‌های محاسباتی و در دسترس بودن داده‌های مربوط به کیفیت هوا این فرصت را برای محققان فراهم کرده است تا مدل‌های پیچیده‌ای را در چارچوب یادگیری ماشین و یادگیری عمیق برای پیش‌بینی غلظت آلاینده‌های مختلف هوا ارائه دهند. در این پژوهش با هدف پیش‌بینی غلظت PM2.5 در فواصل زمانی مختلف، یک مدل ترکیبی مکانی-زمانی جدید مبتنی بر واحد گیت دار بازگشتی (GRU) با حفظ و استخراج وابستگی‌های زمانی و مکانی در داده‌های سری زمانی آلودگی هوا ارائه شده است و عملکرد آن با روش‌های رگرسیون ماشین بردار پشتیبان (SVR) و حافظه‌ی بلندمدت ماندگار (LSTM) مقایسه شده است. داده‌های مورد استفاده در این پژوهش شامل غلظت ساعتی آلاینده‌ی PM2.5 و پارامترهای هواشناسی ثبت‌شده به ترتیب توسط 13 ایستگاه سنجش آلودگی و 3 ایستگاه هواشناسی سینوپتیک در شهر تهران در بازه‌ی زمانی 17 آذر 1395 تا 8 اسفند 1397 می‌باشد. مدل ارائه شده در این مقاله با شاخص‌های ارزیابی RMSE = 7.97 μg/m³ و  MAE = 5.35 μg/m³ بهترین نتیجه را برای پیش‌بینی آلودگی در مقایسه با روش‌های دیگر کسب کرده است. این مدل می‌تواند 80 درصد (80 = R²) از تغییرات غلظت PM2.5 را تعیین و سطح آلودگی را پیش‌بینی کند. همچنین مدل پیشنهادی با استخراج ویژگی‌های زمانی، پیش‌بینی هم‌زمان برای تمام ایستگاه‌ها و در نظر گرفتن همبستگی‌های مکانی اثبات کرده است که می‌تواند برای پیش‌بینی و کنترل آلودگی هوا به طور مؤثر به کار گرفته شود.