Tiny XGBoost: Leichtgewichtiges ML-Modell für Echtzeit‑Luftqualitätsvorhersage

Eine neue Studie aus dem arXiv‑Repository zeigt, dass ein kompakter XGBoost‑Regressionsalgorithmus die Konzentrationen von Kohlenmonoxid (CO) und Stickstoffdioxid (NO₂) in städtischen Gebieten zuverlässig vorhersagen kann. Dabei wurden zwei Varianten des Modells getestet: die vollwertige Version und eine stark verkleinerte, „tiny“ Variante.

Die Bewertung erfolgte anhand des AirQualityUCI‑Datensatzes, der ein Jahr lang in einer urbanen Umgebung erhoben wurde. Für die Genauigkeit wurden die üblichen Kennzahlen Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Mean Bias Error (MBE) sowie der Determinationskoeffizient (R²) herangezogen. Zusätzlich wurden ressourcenbezogene Metriken wie Inferenzzeit, Modellgröße und Spitzen‑RAM‑Verbrauch gemessen.

Ergebnisse zeigen, dass das vollständige XGBoost‑Modell die höchste Vorhersagegenauigkeit erzielt, während die tiny‑Version nur geringfügig schlechter abschneidet. Trotz dieser kleinen Genauigkeitsdifferenz bietet die kompakte Variante erhebliche Vorteile: Sie benötigt deutlich weniger Speicher, arbeitet schneller und verbraucht weniger RAM. Diese Eigenschaften machen das tiny XGBoost‑Modell ideal für Echtzeit‑Luftqualitätsüberwachung in IoT‑ und eingebetteten Systemen, wo Ressourcen knapp sind.