Forecast-Aware Explainable Hybrid Stacking for Forecasting Across Heterogeneous Indian Cities

La qualité de l'air est une question de vie ou de mort dans de nombreuses parties du monde, pourtant les nuages invisibles de pollution qui planent sur nos villes sont notoirement difficiles à prédire. Le problème est que l'air ne se comporte pas de la même manière partout. Un matin de smog dans une capitale industrielle dense suit des règles différentes d'un après-midi brumeux dans un port côtier ou une métropole méridionale humide. De plus, les facteurs qui pilotent la pollution — les schémas de circulation, les changements météorologiques et le volume pur de véhicules et d'usines — sont en constante mutation, créant un puzzle complexe qui change d'heure en heure. Pendant des décades, les scientifiques ont tenté de construire des modèles informatiques pour prévoir ces conditions, espérant donner aux urbanistes et aux responsables de la santé une longueur d'avance avant que des niveaux dangereux de particules fines, connues sous le nom de PM2,5, ne s'installent sur une population. Le défi a toujours été de trouver l'équilibre entre précision et clarté : un modèle peut prédire l'avenir parfaitement, mais s'il s'agit d'une « boîte noire » que personne ne comprend, il est difficile de lui faire confiance ou d'agir en conséquence.

C'est le problème abordé par une équipe de chercheurs de l'Université de Pondichéry, en Inde. Ils se sont donné pour mission de construire un nouveau type de système de prévision qui ne se contente pas de deviner l'avenir, mais explique comment il est parvenu à cette supposition. Leurs travaux se concentrent sur trois villes indiennes très différentes : Delhi, une vaste capitale du nord connue pour son épais smog hivernal ; Mumbai, un port occidental bouillonnant ; et Chennai, une ville côtière du sud. En étudiant les données horaires de 2021 à 2025, les chercheurs ont développé une méthode qu'ils appellent un « cadre de superposition hybride explicable » (Explainable Hybrid Stacking Framework). En termes simples, ils ne se sont pas appuyés sur un seul programme informatique pour faire le gros du travail. Au lieu de cela, ils ont créé une équipe de différents algorithmes, chacun ayant sa propre façon d'analyser les données, et ont appris à un algorithme maître comment combiner leurs analyses. Le résultat est un système qui non seulement prédit la qualité de l'air une heure à l'avance avec une grande précision, mais révèle également quels facteurs — comme le niveau de pollution de l'heure précédente ou l'humidité actuelle — pilotent la prédiction pour chaque ville spécifique.

Les chercheurs ont commencé par rassembler une quantité massive de données brutes provenant des stations de surveillance officielles des trois villes. Ces données comprenaient la concentration de particules fines, ainsi qu'une multitude d'autres détails comme l'heure de la journée, le jour de la semaine, la vitesse du vent et l'humidité. Pour donner un sens à ce flux brut, ils ont d'abord dû apprendre à l'ordinateur à voir les modèles cachés dans les chiffres. Ils ont créé de nouvelles variables, ou « caractéristiques » (features), qui capturaient le rythme de la ville. Ils ont ajouté des caractéristiques qui indiquaient à l'ordinateur quelle était la période de l'année, des caractéristiques qui suivaient le comportement de la pollution au cours des dernières heures, et des caractéristiques qui calculaient la moyenne de la pollution sur les derniers jours. Ils ont même créé des combinaisons spéciales qui examinaient comment la météo et la pollution interagissaient. Ce processus a généré des centaines d'indices potentiels, mais beaucoup d'entre eux étaient répétitifs ou redondants.

Pour trouver les indices les plus utiles, l'équipe a employé un processus de sélection rigoureux. Au lieu de faire confiance à une seule méthode pour décider quelles caractéristiques étaient importantes, ils ont utilisé quatre approches statistiques différentes pour les classer. Ils ont examiné quelles caractéristiques avaient le lien statistique le plus fort avec la pollution, lesquelles étaient jugées les plus utiles par un modèle informatique basé sur des arbres, lesquelles provoquaient la plus grande baisse de précision si elles étaient supprimées, et lesquelles contribuaient le plus à la décision finale. En combinant les résultats de ces quatre méthodes, ils sont parvenus à un « consensus ». Cela a permis de garantir que la liste finale de caractéristiques n'était pas biaisée par les particularités d'une seule technique mathématique. Pour Delhi, ils ont réduit la liste à 173 caractéristiques clés ; pour Mumbai, 159 ; et pour Chennai, 178. Cette étape était cruciale car elle a permis d'éliminer le bruit, ne laissant que les signaux qui comptaient réellement pour chaque emplacement spécifique.

Avec les meilleures caractéristiques sélectionnées, les chercheurs ont construit leur moteur de prédiction. Ils n'ont pas utilisé un seul modèle, qui pourrait être bon pour voir certains schémas mais en manquer d'autres. Au lieu de cela, ils ont entraîné trois types différents de modèles d'apprentissage automatique — Random Forest, Extra Trees et XGBoost — sur les données. Considérez ces trois modèles comme trois experts différents. L'un pourrait être excellent pour repérer les tendances à long terme, un autre pour capter les pics soudains, et le troisième pour comprendre les interactions complexes entre les variables. Chaque expert a fait sa propre prédiction pour la qualité de l'air de l'heure suivante. Cependant, pour éviter que le système n'utilise des données qu'il n'avait pas vues lors de son entraînement, les chercheurs ont utilisé une technique prudente où chaque expert était testé sur des données qu'il n'avait pas rencontrées durant son apprentissage.

L'étape finale a consisté à réunir ces experts. Un quatrième modèle, appelé CatBoost, a agi comme le chef d'équipe ou « méta-apprenant ». Son rôle était d'écouter les prédictions des trois experts et d'apprendre comment les combiner en une seule prévision supérieure. Ce leader a appris que parfois le premier expert avait raison, parfois le deuxième, et que parfois la meilleure réponse était un mélange des trois. Cette approche de « superposition » (stacking) a permis au système de capturer un éventail de schémas bien plus large que n'importe quel modèle unique pourrait le faire seul. Les chercheurs ont testé leur système sur des données de fin 2024 et 2025 que les modèles n'avaient jamais vues auparavant, garantissant que les résultats soient un véritable test de puissance prédictive.

Les résultats étaient frappants. Le nouveau système a nettement surpassé les simples suppositions et les modèles d'experts individuels. Pour Delhi, le système a expliqué 93,83 % de la variation de la qualité de l'air, avec une erreur moyenne d'environ 30 microgrammes par mètre cube. À Mumbai, il a expliqué 88,79 % de la variation avec une erreur d'environ 11 microgrammes. L'amélioration la plus spectaculaire a été observée à Chennai, une ville où la prévision de la qualité de l'air est notoirement difficile. Alors que le meilleur modèle individuel ne pouvait expliquer qu'environ 58 % de la variation, le nouveau système combiné en expliquait 76,96 %, réduisant l'erreur de plus de 22 microgrammes à seulement 16,7. Cela a prouvé qu'en combinant différentes stratégies d'apprentissage, le système pouvait gérer les dynamiques uniques et complexes de chaque ville bien mieux qu'une approche uniforme.

Aussi importante que la précision était la transparence du système. Parce que les chercheurs ont utilisé une méthode appelée SHAP (qui signifie SHapley Additive exPlanations), ils ont pu ouvrir la « boîte noire » et voir exactement ce que le modèle avait en tête. Pour Delhi, le système a montré que la charge totale de pollution et la concentration de particules plus grosses étaient les principaux moteurs de la prévision. À Mumbai, le niveau actuel de particules plus grosses et ce qu'elles avaient fait une heure auparavant étaient les facteurs les plus critiques. À Chennai, le système s'appuyait fortement sur l'indice de qualité de l'air du passé récent et sur la charge totale de pollution. Ce niveau de détail est vital pour les décideurs. Cela signifie que si un responsable municipal constate une prévision de forte pollution, il peut consulter l'explication et savoir si la cause est un pic soudain de trafic, un changement de vent ou une accumulation d'émissions industrielles.

L'étude a également souligné qu'il n'existe pas de « meilleur » modèle unique pour chaque ville. L'algorithme qui fonctionnait le mieux pour Delhi n'était pas le meilleur pour Mumbai, et celui de Mumbai n'était pas non plus le meilleur pour Chennai. Cette conclusion renforce l'idée que la pollution de l'air est un phénomène local, profondément lié à la géographie, au climat et à l'activité humaine spécifiques à un lieu. Un modèle qui fonctionne dans une ville ne peut pas simplement être copié et collé dans une autre ; il doit être adapté. Le cadre des chercheurs a réussi parce qu'il était assez flexible pour apprendre les règles uniques de chaque ville tout en maintenant une méthode de construction de prévisions cohérente et rigoureuse.

Bien que les résultats soient prometteurs, les chercheurs prennent soin de noter les limites de leur travail. Le système a été testé sur seulement trois villes sur une période spécifique de cinq ans. Bien qu'il ait performé dans ce contexte, il n'a pas encore été prouvé qu'il fonctionnerait dans toutes les villes d'Inde ou du monde. Les données utilisées provenaient de moniteurs gouvernementaux officiels, ce qui est fiable, mais le système n'a pas incorporé d'autres sources potentielles d'information comme les images satellites ou les données de trafic en temps réel. Les auteurs suggèrent que des travaux futurs testent le système dans différents climats et avec différents types de données pour voir s'il peut être véritablement universel. Ils soulignent également que, si le système peut prédire les niveaux de pollution avec une grande précision, il s'agit d'un outil de prévision, et non d'un outil pour identifier la source spécifique d'un événement de pollution.

En fin de compte, cette recherche offre un nouveau schéma directeur pour la gestion de l'air que nous respirons. Elle dépasse l'ancienne idée de chercher une formule parfaite unique pour l'air du monde. Au lieu de cela, elle embrasse la complexité du problème, utilisant une équipe d'experts numériques diversifiés pour naviguer à travers les défis uniques de chaque ville. En combinant une haute précision avec des explications claires, le système fournit un outil qui est non seulement puissant, mais aussi digne de confiance. Il montre qu'avec la bonne approche, nous pouvons non seulement voir l'avenir de notre qualité de l'air, mais aussi comprendre les forces qui le façonnent, donnant aux villes les connaissances nécessaires pour protéger leurs résidents avant même que le smog n'arrive.