Les prévisions relatives à la qualité de l'air s'appuient sur les données fournies par de vastes réseaux de surveillance environnementale. Cependant, ces données sont souvent bruitées, incomplètes et hétérogènes dans l'espace et dans le temps, ce qui limite les performances des modèles récurrents d'apprentissage profond pour la prévision des séries chronologiques de polluants. Cette étude propose un cadre hybride d'apprentissage automatique statistique qui intègre le filtrage bayésien de Kalman à des réseaux neuronaux récurrents afin d'améliorer la robustesse face à l'incertitude des données. Le filtrage de Kalman est appliqué comme étape de prétraitement et d'estimation de l'état latent pour lisser les séries chronologiques de polluants et de données météorologiques avant l'entraînement du modèle. Les modèles autonomes Gated Recurrent Units (GRU) et Long Short-Term Memory (LSTM) sont comparés à des variantes améliorées par Kalman et augmentées par l'attention. Le cadre est évalué à l'aide de données multivariées horaires sur la qualité de l'air et les conditions météorologiques provenant de trois villes canadiennes et couvrant cinq polluants. Les résultats démontrent une amélioration de la précision et de la stabilité des prévisions.