การศึกษานี้เป็นการพัฒนาแบบจำลองเพื่อการคาดการณ์ PM 2.5 โดยใช้ Machine Learning Model ทั้งหมด 6 แบบจำลอง ได้แก่ Decision Tree Model, Gradient Boosting Model, K-neighbors Model, MLP Model, Random Forest Model, และ Ridge Model จากชุดข้อมูลของ PM 2.5 จำนวน 2.3 ล้านข้อมูล โดยรวบรวมข้อมูลตั้งแต่เดือนมกราคม พ.ศ. 2558 - ธันวาคม พ.ศ. 2564 จากสถานีตรวจวัดจำนวน 63 สถานี ซึ่งอยู่ในพื้นที่กรุงเทพมหานคร ประเทศไทย ในการพัฒนาแบบจำลองได้เริ่มจากการตรวจสอบความถูกต้องและคัดกรองข้อมูล และนำข้อมูลมาจัดกลุ่มออกเป็น 2 กลุ่ม ได้แก่ ข้อมูลในช่วงก่อนการระบาดของ COVID-19 และข้อมูลในช่วงการแพร่ระบาดของ COVID-19 สำหรับใช้พัฒนาแบบจำลองและทดสอบประสิทธิภาพของแบบจำลอง ทั้งในช่วงสถานการณ์ปกติและสถานการณ์ที่มีการแพร่ระบาดของ COVID-19 และในงานวิจัยนี้ได้นำข้อมูลย้อนหลัง (Historic data) มาใช้ในการพัฒนาแบบจำลอง จากการวิเคราะห์ พบว่า ผลการพัฒนาแบบจำลองโดยใช้ข้อมูลในช่วงก่อนการระบาดของ COVID-19 และใช้ข้อมูลย้อนหลังรายชั่วโมง (Lag by Hour) ประกอบ ให้ผลการวิเคราะห์ดีที่สุดด้วยแบบจำลอง Gradient Boosting Model มีค่า R2 = 0.9533, RMSE = 4.1344 และ MAPE = ร้อยละ 17.13 ในขณะที่ผลการทดสอบประสิทธิภาพของแบบจำลองด้วยชุดข้อมูลทั้งช่วงก่อนการระบาดของ COVID-19 และในช่วงสถานการณ์ COVID-19 ก็พบว่า Gradient Boosting Model มีผลการทดสอบที่ดีที่สุด โดยมีค่า R2 = 0.8790, RMSE = 6.1375 และ MAPE = ร้อยละ 20.68 และ R2 = 0.8720, RMSE = 5.1344 และ MAPE = ร้อยละ 27.18 ตามลำดับ งานวิจัยนี้สรุปได้ว่า Gradient Boosting Model เป็นแบบจำลองที่เหมาะสมต่อการนำมาคาดการณ์ PM 2.5 ทั้งในช่วงสถานการณ์ปกติ และช่วงที่มี การแพร่ระบาดของ COVID-19 อย่างไรก็ตาม ประสิทธิภาพในการคาดการณ์โดยใช้ข้อมูลช่วงสถานการณ์แพร่ระบาดของ COVID-19 จะทำให้ประสิทธิภาพของแบบจำลองลดลงเล็กน้อย สำหรับแบบจำลองที่มีประสิทธิภาพรองลงมา ได้แก่ Random Forest Model, MLP Model, Decision Tree Model, K-neighbors Model, และ Ridge Model ตามลำดับ