Prédire avec précision la qualité de l’air est essentiel pour protéger la population générale contre les maladies pulmonaires et cardiaques. Ce task est particulièrement difficile en raison des interactions complexes entre diverses sources de pollution et d’un large éventail de facteurs influents. Les méthodes actuelles de prévision de la qualité de l’air peinent à modéliser efficacement les processus de diffusion des polluants atmosphériques entre les villes et les stations de surveillance, ce qui peut entraîner une détérioration soudaine de la qualité de l’air dans une région donnée. Dans cet article, nous proposons HighAir, une méthode de prévision de la qualité de l’air basée sur un réseau neuronal hiérarchique, adoptant une architecture encodeur-décodeur et prenant en compte des facteurs influents complexes tels que le temps météorologique et l’usage des sols. Plus précisément, nous construisons, selon une perspective hiérarchique, un graphe au niveau ville et des graphes au niveau station, permettant respectivement de capturer les motifs à l’échelle urbaine et à l’échelle station. Nous proposons deux stratégies, nommées respectivement « transmission supérieure » et « mise à jour inférieure », pour modéliser les interactions entre niveaux, et introduisons un mécanisme d’échange de messages pour traiter les interactions au sein de chaque niveau. De plus, nous ajustons dynamiquement les poids des arêtes en fonction de la direction du vent afin de modéliser les corrélations entre les facteurs dynamiques et la qualité de l’air. Nous comparons HighAir aux méthodes les plus avancées de prévision de la qualité de l’air sur un jeu de données couvrant le groupe urbain de la vallée du Fleuve Yangtsé, comprenant 10 grandes villes réparties sur une superficie de 61 500 km². Les résultats expérimentaux montrent que HighAir surpasse significativement les autres méthodes.