Prophet schlägt LSTM bei Luftverschmutzungsprognosen in Nord‑Nigeria

Eine neue Studie aus dem arXiv‑Repository untersucht, wie man die Luftqualität in einer der am stärksten belasteten Regionen der Welt – Nord‑Nigeria – vorhersagen kann, wenn Daten knapp und unregelmäßig sind. Dabei werden die beiden populärsten Zeitreihenmodelle, der Facebook Prophet und Long Short-Term Memory (LSTM) Netzwerke, miteinander verglichen.

Die Forscher haben monatliche Messwerte für die wichtigsten Schadstoffe CO, SO₂ und SO₄ aus 2018 bis 2023 in 19 nigerianischen Bundesländern analysiert. Trotz der begrenzten Datenmenge zeigte sich, dass der Prophet häufig genauso genau oder sogar genauer vorhersagt als das komplexere LSTM‑Modell – besonders bei Datenreihen, die von ausgeprägten saisonalen Mustern und langfristigen Trends geprägt sind.

Erst bei plötzlichen strukturellen Veränderungen in den Daten konnte das LSTM-Modell einen leichten Vorteil erzielen. Diese Ergebnisse widersprechen der weit verbreiteten Annahme, dass tiefere neuronale Netze immer überlegen sind, und betonen, wie wichtig die Abstimmung von Modell und Daten ist.

Für Entscheidungsträger in ressourcenarmen Regionen bedeutet das: Statt sofort auf aufwendige Deep‑Learning‑Ansätze zu setzen, lohnt es sich, kontextgerechte und rechnerisch sparsame Methoden wie den Prophet zu prüfen. So lassen sich zuverlässige Vorhersagen erzielen, ohne unnötige Rechenressourcen zu verbrauchen.