Neues Modell verbessert Vorhersage von Hurrikankurzflucht weltweit

Die genaue Vorhersage von Fluchtentscheidungen bei Hurrikanen ist entscheidend für die Katastrophenvorsorge. Traditionelle Modelle, die in einer Region trainiert wurden, funktionieren häufig nicht zuverlässig in anderen Gebieten, weil Haushalte mit ähnlichen Merkmalen unterschiedliche Entscheidungswege verfolgen. Dadurch überanpassen globale Modelle die häufigsten Reaktionen, vernachlässigen gefährdete Untergruppen und generalisieren schlecht über Standorte hinweg.

Um dieses Problem zu lösen, hat ein Forschungsteam das population‑adaptive symbolische Mixture‑of‑Experts (PASM) entwickelt. Das System kombiniert von großen Sprachmodellen geleitete symbolische Regression mit einer Mixture‑of‑Experts‑Architektur. PASM erzeugt leicht verständliche, geschlossene Entscheidungsregeln, die an datenbasierte Untergruppen angepasst werden, und leitet jede Eingabe während der Inferenz an den passenden Experten weiter.

In einer Testreihe mit Daten zu den Hurrikanen Harvey und Irma zeigte PASM bei der Übertragung von Florida und Texas nach Georgia – mit nur 100 Kalibrierungsbeispielen – einen Matthews‑Korrelationskoeffizienten von 0,607. Das ist deutlich besser als XGBoost (0,404), TabPFN (0,333), GPT‑5‑mini (0,434) und Meta‑Learning‑Baselines wie MAML und Prototypical Networks (≤ 0,346). Durch die Routing‑Mechanismus werden unterschiedliche Formelarchtypen den jeweiligen Untergruppen zugeordnet, sodass die resultierenden Verhaltensprofile sofort interpretierbar sind.

Ein Fairness‑Audit über vier demografische Achsen zeigte nach Bonferroni‑Korrektur keine statistisch signifikanten Diskrepanzen. PASM schließt mehr als die Hälfte der Lücke bei der Quell‑zu‑Ziel‑Generalisation und liefert gleichzeitig transparente Entscheidungsregeln, die für Einsatzkräfte in realen Notfallsituationen praktisch nutzbar sind.