STeP-Diff: Mobile Sensoren liefern präzise Luftverschmutzungsprognosen

Die präzise Vorhersage von Luftverschmutzung auf feiner Ebene ist entscheidend für die Stadtplanung und die Entwicklung gesunder Gebäude. Durch den Einsatz tragbarer Sensoren auf mobilen Plattformen wie Autos und Bussen entsteht eine kostengünstige, wartungsarme und breit abgedeckte Datenerfassungslösung.

Ein zentrales Problem ist jedoch die unvorhersehbare und nicht kontrollierbare Bewegungsweise dieser mobilen Sensoren. Dadurch entstehen häufig unvollständige und zeitlich inkonsistente Messdaten, die die Genauigkeit herkömmlicher Prognosemodelle stark beeinträchtigen.

Um diesen Herausforderungen zu begegnen, wurde das Modell STeP-Diff entwickelt. Es kombiniert DeepONet, um die räumliche Abfolge der Messungen zu modellieren, mit einem PDE-informierten Diffusionsmodell, das das raumzeitliche Feld aus unvollständigen und zeitlich variierenden Daten vorhersagt. Durch einen PDE-konformen Regularisierungsrahmen konvergiert der Denoising-Prozess asymptotisch zu den Konvektions‑Diffusionsdynamiken, sodass die Vorhersagen sowohl auf realen Messungen basieren als auch den physikalischen Gesetzen der Schadstoffverteilung entsprechen.

In einer Feldstudie wurden 59 selbst entwickelte tragbare Sensoren in zwei Städten über 14 Tage hinweg betrieben, um Luftverschmutzungsdaten zu sammeln. Im Vergleich zum zweitbesten Algorithmus erzielte STeP-Diff Verbesserungen von bis zu 89,12 % bei MAE, 82,30 % bei RMSE und 25,00 % bei MAPE. Umfangreiche Evaluierungen zeigen, dass das Modell die raumzeitlichen Abhängigkeiten in Luftverschmutzungsfeldern effektiv erfasst.

STeP-Diff demonstriert damit, wie physikbasierte Diffusionsmodelle in Kombination mit modernen Deep-Learning-Ansätzen die Genauigkeit von Luftqualitätsprognosen auf mobilen Sensorplattformen erheblich steigern können.