Загрязнение атмосферного воздуха мелкодисперсными частицами с аэродинамическим диаметром менее 2,5 микрометра представляет серьезную экологическую и социальную проблему в условиях урбанизированных территорий. В связи с этим актуальной является задача краткосрочного прогноза концентрации данных частиц на основе данных мониторинга качества воздуха. В работе рассматривается применение интерпретируемых методов машинного обучения для прогнозирования концентрации мелкодисперсных частиц на часовом горизонте. В качестве исходных данных использован открытый набор Beijing PM2.5 Data Set, содержащий почасовые измерения концентрации загрязняющих веществ и метеорологических параметров за период с 2010 по 2014 годы. В ходе исследования выполнена предварительная обработка данных, сформировано признаковое пространство с учетом временной структуры и автокорреляционных свойств временных рядов, а также построены модели линейной регрессии, случайного леса и градиентного бустинга. Качество прогнозирования оценивалось с использованием средней абсолютной ошибки, среднеквадратичной ошибки и коэффициента детерминации. Результаты показали, что все рассмотренные модели обеспечивают высокую точность краткосрочного прогноза, при этом различия между моделями различной сложности оказываются незначительными. Установлено, что доминирующий вклад в формирование прогноза вносит автокорреляция временного ряда концентрации загрязняющих частиц, тогда как метеорологические параметры выполняют корректирующую функцию. Полученные результаты подтверждают целесообразность использования интерпретируемых моделей машинного обучения в системах мониторинга и прогнозирования качества атмосферного воздуха.