💻 computer science

A Hybrid Multi-scale Convolutional Neural Network-Long Short-Term Memory Model Incorporating Squeeze Excitation Attention for Hourly Air Quality Index Prediction

Cette étude propose un modèle hybride MSCNN-LSTM amélioré par une attention de type Squeeze-and-Excitation pour prédire les valeurs horaires de l'indice de qualité de l'air, démontrant une précision et une stabilité supérieures par rapport aux modèles d'apprentissage profond traditionnels grâce à l'extraction de caractéristiques multi-échelles et à la pondération adaptative des canaux sur des données provenant de la ville de Yiyang.

Auteurs originaux : Huawei Xu, Long Li, Qi Tang, Junhua Huang, Xin Fang

Publié 2026-09-08

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Huawei Xu, Long Li, Qi Tang, Junhua Huang, Xin Fang

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La pollution de l'air est une force silencieuse et mouvante qui façonne la santé des villes et la sécurité des populations qui les habitent. Pour gérer cette menace invisible, les scientifiques s'appuient sur un chiffre unique appelé l'Indice de Qualité de l'Air, ou IQA. Cet indice agit comme un bulletin de notes quotidien, traduisant des mélanges complexes de fumée, de poussière et de gaz en un score qui nous indique si l'air est sûr à respirer. Cependant, l'air ne reste pas immobile ; il change d'heure en heure, sous l'influence de la météo, du trafic et de l'activité industrielle. Prédire ces changements est difficile car les facteurs impliqués interagissent de manière désordonnée et non linéaire. Les méthodes traditionnelles peinent souvent à saisir l'ensemble du tableau, manquant les motifs subtils qui signalent un pic soudain de pollution ou un éclaircissement rapide du ciel. Pour résoudre ce problème, les chercheurs se sont tournés vers une branche de l'informatique connue sous le nom d'apprentissage profond (deep learning), où des programmes informatiques apprennent à reconnaître des modèles dans de vastes quantités de données, tout comme un cerveau humain apprend de l'expérience.

Dans une étude récente portant sur la ville de Yiyang, dans la province du Hunan, une équipe de chercheurs s'est donné pour mission de construire une meilleure boule de cristal pour la qualité de l'air. Ils voulaient créer un système capable de prévoir l'IQA horaire avec une grande précision, en utilisant des données des deux dernières années. L'équipe, dirigée par Huawei Xu et ses collègues, a développé un nouveau modèle informatique hybride qui combine trois outils numériques distincts pour imiter le comportement de l'atmosphère. D'abord, ils ont utilisé un réseau de neurones convolutifs multi-échelles, un type de programme conçu pour observer les données à travers différents « objectifs » simultanément. Imaginez que vous essayiez de comprendre un paysage en le regardant à travers un objectif grand angle, un objectif téléobjectif et un objectif zoom en même temps ; cet outil fait la même chose pour le temps, capturant les pics à court terme, les tendances à moyen terme et les cycles à long terme dans les données de pollution, le tout simultanément.

Ensuite, l'équipe a introduit un mécanisme appelé « Squeeze-and-Excitation attention ». Celui-ci agit comme un filtre intelligent pour l'information collectée par l'ordinateur. Dans une tempête de données, chaque fragment d'information n'est pas aussi important à chaque instant. Ce mécanisme d'attention permet au modèle de faire une pause, d'évaluer quels facteurs pilotent actuellement les niveaux de pollution, et d'amplifier ces signaux tout en ignorant le bruit. Enfin, le système injecte cette information raffinée dans un réseau de mémoire à long et court terme, ou LSTM (Long Short-Term Memory). Cette partie du modèle est spécialisée dans la mémorisation du passé ; elle conserve l'historique de la façon dont la qualité de l'air a évolué au fil du temps, permettant de comprendre comment un matin froid pourrait mener à un après-midi brumeux, ou comment une semaine de pluie pourrait purifier l'air. En tissant ces trois composants ensemble, les chercheurs ont créé un modèle qui ne se contente pas de regarder les données, mais qui comprend l'histoire qu'elles racontent.

Les chercheurs ont testé leur nouveau modèle par rapport à des méthodes plus anciennes et plus simples en utilisant des données réelles de la ville de Yiyang, couvrant chaque heure de janvier 2023 à décembre 2024. Ils ont alimenté l'ordinateur avec des enregistrements historiques de polluants tels que les particules fines et le monoxyde de carbone, ainsi que des données météorologiques telles que la température, le vent et la pression atmosphérique. Les résultats ont été frappants. Le nouveau modèle hybride a surpassé les approches standards, réduisant ses erreurs de prédiction d'environ un quart par rapport aux modèles de base. Il a obtenu un score de 0,96 sur une échelle où 1,0 représente une correspondance parfaite, ce qui signifie que ses prévisions étaient incroyablement proches de ce qui s'est réellement passé dans l'air. Le modèle s'est avéré particulièrement apte à gérer les extrêmes, prédisant avec précision tant les pics dangereux de pollution hivernale que les valeurs basses et propres de l'été.

L'étude a également révélé comment la qualité de l'air à Yiyang se comporte tout au long de l'année. Les données ont montré un rythme clair : les niveaux de pollution sont les plus élevés en hiver, dépassant souvent 100 sur l'indice, sous l'effet des températures froides qui piègent la fumée près du sol et de la combustion de combustibles pour le chauffage. En revanche, l'air est nettement plus propre en été, avec des scores moyens tombant sous les 40, grâce aux pluies abondantes qui lavent les polluants et à la chaleur croissante qui aide à les disperser. Le modèle informatique a appris ces règles saisonnières naturellement, sans qu'on lui indique explicitement les dates du calendrier. Lorsque les chercheurs ont demandé au modèle d'expliquer quels facteurs étaient les plus importants, il a désigné les mêmes éléments qu'un expert humain attendrait : la concentration de particules fines, la température et la pression atmosphérique. Le modèle a confirmé que lorsque ces chiffres spécifiques augmentent ou diminuent, la qualité de l'air suit le mouvement.

En combinant la capacité de percevoir des modèles à différentes vitesses, l'intelligence de se concentrer sur ce qui importe et la mémoire pour apprendre de l'histoire, cette nouvelle approche offre un outil puissant pour les urbanistes et les responsables de la santé publique. Elle ne se contente pas de deviner l'avenir ; elle le calcule en se basant sur la réalité complexe et changeante de l'atmosphère. L'étude démontre que lorsque nous donnons aux ordinateurs les bons outils pour observer le monde, ils peuvent nous aider à voir les dangers invisibles de notre air avec une clarté sans précédent, fournissant un guide fiable pour protéger les communautés contre les risques sanitaires liés à la pollution.

Résumé technique : Un modèle hybride de réseau de neurones convolutionnels multi-échelles et de mémoire à court et long terme (LSTM) intégrant l'attention par excitation de squeeze pour la prédiction horaire de l'indice de qualité de l'air

Énoncé du problème
La prédiction précise de l'indice de qualité de l'air (IQA) est cruciale pour la protection de la santé publique et la formulation de politiques. Bien que des modèles d'apprentissage profond existants aient été appliqués à la prévision de l'IQA, ils font face à des limitations spécifiques : les réseaux de neurones convolutionnels (CNN) standards reposent souvent sur des noyaux convolutionnels à échelle unique, ce qui ne permet pas de capturer les motifs complexes à multiples échelles temporelles inhérents aux variations des polluants atmosphériques. De plus, les modèles hybrides traditionnels (par exemple, CNN-LSTM) manquent fréquemment de mécanisme adaptatif pour réguler l'importance des canaux de caractéristiques lors de l'intégration de données multi-sources (polluants et météorologie), entraînant une interférence des informations redondantes avec la représentation des caractéristiques clés. En outre, les modèles existants peinent souvent à maintenir la stabilité de la prédiction pendant les périodes de faibles valeurs, comme les mois d'été.

Méthodologie
Pour répondre à ces limitations, les auteurs proposent une architecture d'apprentissage profond hybride : MSCNN-LSTM avec attention SE. Le modèle intègre trois composantes fondamentales :

Réseau de neurones convolutionnels multi-échelles (MSCNN) : Contrairement aux CNN standards, ce module utilise des couches convolutionnelles parallèles avec trois tailles de noyaux distinctes (3, 5 et 7) et des nombres de filtres variables (96, 64 et 32). Cette conception extrait des caractéristiques temporelles multi-échelles des séquences d'entrée, capturant simultanément les fluctuations à court terme, les tendances à moyen terme et les motifs périodiques à long terme.
Mécanisme d'attention Squeeze-and-Excitation (SE) : Après la concaténation des caractéristiques multi-échelles, le module SE effectue une opération de « Squeeze » (pooling moyen global) pour compresser les caractéristiques spatio-temporelles en un descripteur de canal. Une opération d'« Excitation » utilise ensuite deux couches entièrement connectées (avec un ratio de compression de 3) pour générer des coefficients de poids spécifiques aux canaux. Cela permet au modèle de recalibrer de manière adaptative les canaux de caractéristiques, en mettant en évidence les entrées critiques (par exemple, des polluants spécifiques ou des facteurs météorologiques) tout en supprimant les informations redondantes ou bruitées.
Mémoire à court et long terme (LSTM) : Les séquences de caractéristiques repondérées sont injectées dans une couche LSTM afin de capturer les dépendances temporelles à long terme et les effets cumulatifs des variations de l'IQA, pour finalement produire la valeur de l'IQA prédite.

Données et configuration expérimentale
L'étude a utilisé des données horaires de polluants atmosphériques et météorologiques de la ville de Yiyang, dans la province du Hunan, couvrant la période du 1er janvier 2023 au 31 décembre 2024. Les variables d'entrée comprenaient les PM2.5, PM10, NO2, CO, la température, le point de rosée, la pression atmosphérique et les caractéristiques temporelles périodiques (encodées via des fonctions sinus/cosinus). Le jeu de données a été divisé en 80 % pour l'entraînement et 20 % pour la validation. Le modèle proposé a été comparé à trois autres architectures : un LSTM standard, un LSTM avec attention SE, et un CNN-LSTM standard. Les performances ont été évaluées à l'aide de l'erreur absolue moyenne (MAE), de l'erreur quadratique moyenne (RMSE), de l'erreur de pourcentage absolu moyenne (MAPE) et du coefficient de détermination ( $R^2$ ).

Résultats clés

Performance globale : Le modèle MSCNN-LSTM avec attention SE a obtenu la plus haute précision de prédiction sur l'ensemble de validation, avec un $R^2$ de 0,96. Par rapport au modèle LSTM traditionnel, il a réduit la MAE de 25,16 %, la RMSE de 22,14 % et la MAPE de 23,17 %, avec des valeurs respectives de 5,65, 7,94 et 8,72 %.
Stabilité saisonnière : Le modèle proposé a surpassé le LSTM standard au cours des quatre saisons. Notamment, il a démontré une capacité d'ajustement et une stabilité supérieures durant les mois d'été (périodes d'IQA faible), un scénario où les autres modèles présentent souvent des erreurs plus élevées. Dans les scénarios estivaux, le modèle a réduit la MAE, la RMSE et la MAPE de 5 %, 5 % et 9 % respectivement par rapport au modèle CNN-LSTM.
Importance des caractéristiques : L'analyse SHAP (SHapley Additive exPlanations) a identifié les PM2.5, PM10, la température et la pression atmosphérique comme les facteurs les plus significatifs influençant les prédictions de l'IQA. L'analyse a confirmé que les prédictions du modèle s'alignent sur les mécanismes physiques, tels que la corrélation positive entre des températures/pressions élevées et l'augmentation de l'IQA due à la réduction de la dispersion et à l'accentuation des réactions photochimiques.

Signification et revendications
L'article affirme que le modèle hybride proposé offre une solution de haute précision et interprétable pour la prévision horaire de la qualité de l'air régionale. Sa principale importance réside dans sa capacité à traiter simultanément deux lacunes critiques de la littérature existante : l'incapacité des noyaux à échelle unique à capturer les variations multi-temporelles et l'absence de pondération adaptative des canaux lors de l'intégration de caractéristiques multi-sources. En combinant efficacement l'extraction de caractéristiques multi-échelles avec des mécanismes d'attention dynamiques, le modèle atteint une robustesse supérieure face aux valeurs extrêmes de l'IQA et une meilleure stabilité pendant les périodes de faible pollution. Les auteurs concluent que cette architecture offre un outil fiable pour le contrôle de la pollution, les systèmes d'alerte précoce et la base scientifique pour la formulation de politiques de qualité de l'air régionales.

Articles similaires