International Research Journal of Engineering and Technology (IRJET)
e-ISSN: 2395-0056
Volume: 13 Issue: 06 | Jun 2026
p-ISSN: 2395-0072
www.irjet.net
Surveillance intelligente et prédiction de la qualité de l’air au Grand Marché de Kinshasa basée sur l’Internet des objets et l’apprentissage automatique [Intelligent Monitoring and Air Quality Prediction at the Kinshasa Central Market Based on the Internet of Things and Machine Learning] 1Donatien KADIMA MUAMBA, 2Bernice MAMBULA ZUIYA 1Faculté des Sciences Informatiques de l’Université Reverend KIM
2Faculté des Sciences Informatiques de l’Université Protestante au Congo
--------------------------------------------------------------------------***--------------------------------------------------------------------
Abstract-Air pollution is a major environmental and public health concern in rapidly growing urban areas. In many developing cities, the lack of real-time monitoring systems limits the availability of reliable information for environmental management and decision-making. This study presents the design and implementation of an intelligent air quality monitoring and prediction system deployed at the Grand Market of Kinshasa. The proposed system combines Internet of Things technologies, cloud-based data management, machine learning techniques, and web-based visualization tools. Environmental data were collected through air quality sensors connected to an embedded microcontroller and transmitted to a cloud platform for storage and analysis. A web dashboard was developed to provide real-time monitoring, historical data visualization, and predictive insights. Furthermore, association rule mining using the Apriori algorithm was applied to discover relationships among pollutants, while a Random Forest model was employed to forecast future pollutant concentrations based on historical observations. The experimental results demonstrate the capability of the proposed system to monitor air quality and extract meaningful knowledge from environmental data. The predictive model achieved satisfactory performance for particulate matter prediction, particularly for PM2.5 (R² = 0.84) and PM10 (R² = 0.94), while lower predictive accuracy was observed for gaseous pollutants, highlighting the complexity of their temporal behavior. Overall, the model obtained a Mean Absolute Error of 0.30, a Root Mean Square Error of 0.80, and a coefficient of determination of 0.38. The study confirms that the integration of Internet of Things technologies, data mining techniques, and machine learning methods provides a practical framework for continuous air quality monitoring and supports data-driven environmental management in urban environments. Resume La pollution atmosphérique constitue un enjeu majeur de santé publique et de protection de l’environnement dans les zones urbaines { forte croissance démographique. Dans de nombreuses villes en développement, l’absence de systèmes de surveillance en temps réel limite la disponibilité d’informations fiables pour la gestion environnementale et l’aide { la décision. Cette étude présente la conception et la mise en œuvre d’un système intelligent de surveillance et de prédiction de la qualité de l’air déployé au Grand Marché de Kinshasa. La solution proposée combine les technologies de l’Internet des objets (IoT), le stockage des données dans le cloud, les techniques de fouille de données et les méthodes d’apprentissage automatique. Les données environnementales ont été collectées { l’aide de capteurs de qualité de l’air connectés { un microcontrôleur embarqué, puis transmises vers une plateforme cloud pour leur stockage et leur analyse. Un tableau de bord web a été développé afin d’assurer la visualisation en temps réel des mesures, la consultation de l’historique et le suivi des indicateurs environnementaux. En complément, l’algorithme Apriori a été utilisé pour extraire les relations significatives entre les polluants, tandis qu’un modèle Random Forest a été mis en œuvre pour prédire l’évolution future des concentrations à partir des observations historiques. Les résultats obtenus démontrent la capacité du système { surveiller efficacement la qualité de l’air et { extraire des connaissances pertinentes à partir des données collectées. Le modèle de prédiction présente de bonnes performances pour les particules fines, notamment les PM2.5 (R² = 0,84) et les PM10 (R² = 0,94), alors que les performances demeurent plus limitées pour les polluants gazeux, traduisant la complexité de leurs dynamiques temporelles. Globalement, le modèle
© 2026, IRJET
|
Impact Factor value: 8.315
|
ISO 9001:2008 Certified Journal
|
Page 840