Additive Modelle übertreffen Deep Learning bei Peking‑Luftqualitätsvorhersagen

Die präzise Vorhersage von städtischer Luftverschmutzung ist entscheidend für den Schutz der öffentlichen Gesundheit und die Gestaltung wirksamer Minderungsstrategien. Obwohl Deep‑Learning‑Ansätze und hybride Pipelines in der aktuellen Forschung dominieren, erschweren ihre Komplexität und eingeschränkte Interpretierbarkeit die praktische Umsetzung.

In einer vergleichenden Studie wurden leichte additive Modelle – Facebook Prophet (FBP) und NeuralProphet (NP) – gegen etablierte Machine‑Learning‑Baselines (LSTM, LightGBM) sowie ein klassisches statistisches Modell (SARIMAX) getestet. Der Fokus lag auf den Feinstaubparametern PM₂,₅ und PM₁₀ in Peking, wobei multi‑jährliche Daten zu Schadstoffen und meteorologischen Bedingungen verwendet wurden.

Die Analyse umfasste systematische Feature‑Auswahl (Korrelation, Mutual Information, mRMR), leakage‑sichere Skalierung und chronologische Datenaufteilung. Beide Modelle wurden mit Regressoren für Schadstoffe und Vorläufer trainiert; NP nutzte zusätzlich verzögerte Abhängigkeiten. Die Modelle wurden auf einem 7‑Tage‑Holdout mit MAE, RMSE und R² bewertet.

Die Ergebnisse zeigen, dass FBP die Konkurrenz deutlich übertraf: Für beide Partikelgrößen erreichte das Modell einen R²‑Wert von über 0,94. FBP übertraf NP, SARIMAX sowie die lernbasierten Baselines. Diese Befunde demonstrieren, dass interpretierbare additive Modelle nicht nur mit traditionellen, sondern auch mit komplexen Deep‑Learning‑Ansätzen konkurrieren können und dabei eine attraktive Kombination aus Genauigkeit, Transparenz und einfacher Bereitstellung bieten.

Die Studie unterstreicht das Potenzial leichter Modelle für den operativen Einsatz in der Luftqualitätsüberwachung und liefert wertvolle Erkenntnisse für die Entwicklung evidenzbasierter Umweltpolitik.