La prévision à court terme des PM2,5 est complexe à Delhi car les concentrations de particules sont influencées par les émissions locales, les variations météorologiques, la stagnation saisonnière et la pollution épisodique liée aux incendies. Cette étude présente CORTA-Net, un cadre hybride d’apprentissage profond pour la prévision PM2.5 utilisant des données environnementales multi-sources de 2012 à 2024. Les données d’entrée comprennent des observations horaires de la qualité de l’air provenant des stations de surveillance du CPCB (Central Pollution Control Board) / DPCC (Delhi Pollution Control Committee), des variables météorologiques du Département météorologique indien (IMD), ainsi que des informations de décompte des incendies dérivées des satellites provenant des produits MODIS (Spectroradiomètre d’Imagerie à Résolution Modérée). Le cadre proposé applique d’abord la sélection de caractéristiques CorrXGBoost-Rank pour réduire les prédicteurs redondants et conserver les polluants importants, les variables météorologiques, temporelles et liées aux incendies. Les caractéristiques sélectionnées sont ensuite organisées sous forme de séquences à fenêtres glissantes supervisées et traitées à l’aide d’un encodeur LSTM basé sur l’apprentissage par transfert, suivi d’une couche d’attention multi-têtes. Le mécanisme d’attention fournit une interprétation au niveau des caractéristiques et des pas de temps de la prévision PM2.5 . CORTA-Net a été évalué à l’aide de partitions chronologiques d’entraînement, de tests et de validation, ainsi que de validation croisée. Comparé aux bases de la forêt aléatoire, XGBoost, LSTM et attentive-LSTM, le cadre proposé a réduit l’erreur de prédiction dans le cadre évalué de la station de surveillance de Delhi. La nouveauté de CORTA-Net réside dans la combinaison du criblage explicite des caractéristiques CorrXGBoost-Rank, de l’encodage temporel basé sur l’apprentissage par transfert, de l’intégration de l’activité de feu MODIS et de l’analyse comportementale de modèles d’attention basée sur plusieurs têtes dans un pipeline unique de prévision reproductible PM2.5 . Concrètement, ce cadre peut soutenir la prévision à court terme de la qualité de l’air urbaine dans des environnements de surveillance riches en données où des relevés de polluants, des observations météorologiques et des indicateurs d’activité incendiaire sont disponibles.