Random Forest vs LSTM : ce que notre étude a montré

La pollution de l'air, et la concentration de PM2.5 en particulier, est un enjeu majeur de santé publique dans les villes indiennes. Prédire son évolution à partir de données historiques est central pour la prévention et la planification de mesures anti-pollution. C'est le sujet d'un projet de recherche mené à KIIT University avec deux camarades, Obed Oduro Appiah et Mahgera Kisika, sous la supervision de Ms. Prachi Vijayeeta (Soft Computing).

L'objectif et les données

Prédire la concentration de PM2.5 à partir du jeu de données "Air Quality Data in India (2015-2020)" (Kaggle) : concentrations de PM2.5, PM10, NO2, CO et O3, avec informations temporelles, sur plusieurs villes indiennes. Avant d'entraîner quoi que ce soit, trois étapes de préparation : les valeurs manquantes ont été remplacées par la moyenne, les valeurs aberrantes supprimées via la méthode de l'écart interquartile, puis une normalisation MinMax appliquée à toutes les variables.

Deux modèles ont ensuite été comparés : Random Forest, une méthode d'ensemble robuste pour la régression, et LSTM, un réseau de neurones récurrent spécialisé dans les séries temporelles.

Les résultats, avec les vrais chiffres

LSTM devance Random Forest sur les deux métriques, ce qui confirme sa meilleure capacité à capturer les tendances de pollution à long terme : il apprend les relations entre valeurs passées et futures plus finement que Random Forest, qui traite chaque instant indépendamment. Random Forest reste néanmoins compétitif : plus rapide à entraîner, plus interprétable, et tout à fait pertinent pour des prédictions rapides dans des contextes où la puissance de calcul est limitée.

Les limites, assumées

Deux limites principales, honnêtement documentées dans l'étude : l'absence de données météorologiques (température, humidité, vent) dans le jeu de données, qui jouent pourtant un rôle dans les variations de pollution, et le fait que les résultats sont entraînés et validés uniquement sur des données indiennes, sans test de généralisation à d'autres régions.

Ce qu'on en retient

Les deux modèles ont des compromis différents : LSTM est plus lisse et meilleur sur les tendances longues, mais sous-estime les pics de pollution brusques. Random Forest réagit plus vite aux changements soudains, mais reste plus bruité. Une piste plus prometteuse que de choisir un seul modèle : une approche hybride, Random Forest pour les estimations immédiates, LSTM pour les prévisions à plus long terme.

Le code source complet est disponible sur GitHub, et l'étude complète est publiée sur Academia.edu.