Este trabalho desenvolve modelos preditivos baseados em Redes Neurais Recorrentes (RNNs) e Long Short-Term Memory (LSTM) para prever emissões de poluentes e consumo de combustível em veículos, utilizando dados históricos como hodômetro e tipo de combustível. As RNNs e LSTMs, por sua capacidade de capturar padrões complexos em séries temporais, são aplicadas para identificar tendências e prever comportamentos futuros, contribuindo para a eficiência energética e a redução de emissões. Além disso, uma análise estatística multivariada com o Random Forest e outros algoritmos, como AdaBoost e Gradient Boost, é realizada para avaliar a influência das variáveis independentes na variável alvo, permitindo identificar fatores críticos que impactam no desempenho veicular. A combinação dessas técnicas de aprendizado de máquina e ciência de dados oferece soluções robustas e inovadoras, promovendo o desenvolvimento sustentável ao enfrentar desafios ambientais e econômicos relacionados à poluição atmosférica e à otimização do setor de transporte.