Neues Modell trennt Skalen, verbessert langfristige Verkehrs-Emissionen
Die Vorhersage von Verkehrsemissionen über lange Zeiträume ist entscheidend für die effektive Steuerung der Luftqualität in Städten. Traditionelle Ansätze bauen meist auf spatiotemporalen Graphmodellen, die die Abhängigkeiten zwischen Ort und Zeit auswerten. Durch die starke Verflechtung von Emissionen auf unterschiedlichen Zeitskalen entstehen jedoch oft Fehler, die sich bei längeren Vorhersagen verstärken.
Um dieses Problem anzugehen, wurde das Skalenentkoppeltes räumlich‑zeitliche Modellieren (SDSTM) entwickelt. Das Verfahren trennt die Daten in mehrere Skalen, nutzt dafür einen Dual‑Stream‑Ansatz und setzt den Koopman‑Aufhüllungsoperator ein, um das nichtlineare System in einen unendlichen linearen Raum zu überführen. Anschließend wird mit einer gated‑Wellenlet‑Zerlegung die Grenze der Vorhersagefähigkeit bestimmt, sodass die einzelnen Skalen unabhängig, aber ergänzend bleiben.
Ein neuartiger Fusionsmechanismus kombiniert die beiden Streams und verwendet einen Cross‑Term‑Verlust, um die Unabhängigkeit zu erzwingen. Dadurch werden gegenseitige Störungen reduziert und die Genauigkeit der langfristigen Emissionsvorhersage deutlich gesteigert. In umfangreichen Tests auf einem stadtbezogenen Emissionsdatensatz der zweiten Ringstraße in Xi’an erzielte SDSTM einen deutlichen Leistungsgewinn gegenüber bestehenden Modellen.