simoelmach15/air-quality-prediction-morocco

# 🌍 Air Quality Prediction in Moroccan Cities Pipeline complet de **Machine Learning** et de **Federated Learning** pour prédire l'indice de qualité de l'air (AQI) dans quatre villes marocaines : **Agadir, Tanger, Marrakech, Rabat**, à partir de données météorologiques collectées en temps réel via l'API OpenWeatherMap. > 🎓 Mini-projet — Master Big Data & Systèmes Intelligents (BDSI), FSDM, USMBA Fès (2025–2026) > 👥 Réalisé par Mohammed El Machrouhi --- ## 📌 Contexte La qualité de l'air est un enjeu sanitaire majeur dans les grandes villes marocaines, mais les réseaux de surveillance restent peu denses. Ce projet propose un pipeline capable de **prédire l'AQI (5 niveaux)** à partir de données météo facilement accessibles, et explore une approche d'**apprentissage fédéré** où chaque ville entraîne un modèle local sans jamais partager ses données brutes. ## 🧩 Pipeline du projet | Étape | Notebook | Description | |-------|----------|-------------| | 1️⃣ Collecte | `1_collecte.ipynb` | Récupération horaire des données météo & pollution via l'API OpenWeatherMap | | 2️⃣ Préparation | `2_preparation.ipynb` | Nettoyage, encodage, normalisation, feature engineering | | 3️⃣ Modélisation | `3_modelisation.ipynb` | Entraînement et comparaison Random Forest / KNN / Voting Classifier | | 4️⃣ Federated Learning | `4_federated_learning.ipynb` | Simulation FedAvg avec Flower (4 villes = 4 clients) | ## 📊 Données - **Source** : OpenWeatherMap API (`weather` + `air_pollution`) - **Villes** : Agadir, Tanger, Marrakech, Rabat - **Volume** : 706 enregistrements (176 itérations × 4 villes), fréquence horaire - **Cible** : AQI — indice de qualité de l'air (1 = Bon → 5 = Très mauvais) ## 🤖 Résultats — Modèles centralisés | Modèle | Accuracy | F1-Score (pondéré) | |--------|----------|---------------------| | Random Forest | 92.25% | 0.9192 | | KNN (meilleur k) | 92.96% | 0.9296 | | **Voting Classifier (RF + KNN)** | **92.96%** | **0.9296** | ## 🔐 Federated Learning — Flower …