Neues CNN‑LSTM‑Modell verbessert Vorhersage von PM2,5‑Konzentrationen

Wissenschaftler haben ein neues Hybridmodell aus Convolutional Neural Networks (CNN) und Long Short-Term Memory (LSTM) entwickelt, das die Vorhersage der PM2,5‑Konzentration in der Luft deutlich verbessert.

Das Modell kombiniert die Fähigkeit von CNNs, lokale räumliche Muster aus den Messdaten zu extrahieren, mit der Stärke von LSTMs, zeitliche Abhängigkeiten in Zeitreihen zu erfassen. Auf Basis eines umfangreichen Datensatzes aus einem Industriegebiet in Peking, der von 2010 bis 2015 aufgezeichnet wurde, nutzt das System stündliche Messwerte von PM2,5, Temperatur, Taupunkt, Luftdruck, Windrichtung, Windgeschwindigkeit und Niederschlag.

Die Vorhersage erfolgt für 6‑Stunden‑Intervalle und erreicht dabei einen Root‑Mean‑Square‑Error von 5,236 – ein deutlich besseres Ergebnis als bei klassischen Zeitreihenmodellen. Diese Genauigkeit macht das System besonders vielversprechend für Luftqualitätswarnungen und die Planung von Maßnahmen zur Emissionsreduktion.

Die Komplexität der multivariaten Eingaben erfordert jedoch hohe Rechenressourcen, und die Modellleistung bei sehr unterschiedlichen atmosphärischen Bedingungen muss noch weiter optimiert werden. In zukünftigen Arbeiten soll die Skalierbarkeit erhöht und die Unterstützung für noch komplexere Wettervorhersagen erweitert werden.