Leichtgewichtige, interpretierbare Modelle liefern präzise PM2.5‑Vorhersagen in Peking

Eine neue Studie zeigt, dass schlanke, leicht verständliche Zeitreihenmodelle die Luftqualität in Peking genauso genau vorhersagen können wie komplexe, rechenintensive Ansätze. Dabei wurden die Modelle SARIMAX, Facebook Prophet und NeuralProphet anhand von mehrjährigen Daten zu Schadstoffkonzentrationen und Wetterbedingungen getestet.

Die Forscher nutzten einen „Leakage‑Aware“-Workflow, der die Daten chronologisch trennt, vorverarbeitet, relevante Features auswählt und externe Einflussfaktoren berücksichtigt. Zwei Einsatzszenarien wurden untersucht: ein wöchentliches „Walk‑Forward“-Re‑Fit und ein „Frozen“-Modell mit Online‑Residualkorrektur.

Im Walk‑Forward-Modell erzielte Facebook Prophet die beste Leistung mit einem mittleren absoluten Fehler (MAE) von 37,61 µg/m³ und einer Wurzelquadratischen Fehler (RMSE) von 50,10 µg/m³ – und das in deutlich kürzerer Laufzeit als NeuralProphet. Unter dem Frozen‑Modell verbesserte die Residualkorrektur sowohl Prophet als auch SARIMAX; das korrigierte SARIMAX erreichte den niedrigsten Fehler (MAE 32,50 µg/m³, RMSE 46,85 µg/m³). NeuralProphet blieb in beiden Szenarien weniger genau und stabil, und die Residualkorrektur half nicht.

Die Ergebnisse unterstreichen, dass leichtgewichtige, interpretierbare Modelle nicht nur schneller, sondern auch zuverlässiger für die stündliche Vorhersage von PM2.5 in urbanen Gebieten sein können – ein wichtiger Schritt für effektive Luftqualitätsmanagement und öffentliche Gesundheitsvorsorge.