Фундаментальные модели уступают LSTM в прогнозировании экстремальных уровней PM2.5 при лесных пожарах

Согласно новому исследованию, фундаментальные модели временных рядов (TSFMs) не превосходят традиционные методы машинного обучения в прогнозировании экстремальных концентраций PM2.5 во время лесных пожаров. Ученые сравнили несколько современных моделей, включая TimesFM, Chronos-2, Moirai-2 и Time-MoE, с классическими рекуррентными сетями, такими как LSTM и BiLSTM, используя данные о 1375 пожарах в Калифорнии за 12 лет. Результаты показали, что BiLSTM достигла наилучших показателей, особенно при прогнозировании опасных уровней загрязнения, ставя под сомнение универсальность фундаментальных моделей в задачах с экстремальными выбросами.

Почему фундаментальные модели не оправдали ожиданий

Исследователи использовали протокол leave-one-incident-out (LOIO) для оценки способности моделей обобщать на новые, ранее не встречавшиеся пожары. Метрики включали среднюю абсолютную ошибку (MAE), среднеквадратичную ошибку (RMSE) и F1-меру для превышения порогов AQI на горизонтах прогнозирования 6, 12 и 24 часа. BiLSTM показала наименьший MAE (5.16 мкг/м³) и наивысший F1 для Hazardous-уровня (225.5 мкг/м³) — 0.63, в то время как лучшая фундаментальная модель достигла лишь 0.54. Zero-shot Chronos-2 продемонстрировал нестабильность хвоста RMSE (23.4 мкг/м³, отрицательный R²) из-за редких, но крупных ошибок. Даже после дообучения с помощью LoRA ни одна фундаментальная модель не смогла превзойти обученные рекуррентные сети.

Какие модели сравнивались и как проводился эксперимент

Что такое фундаментальные модели временных рядов?

Фундаментальные модели временных рядов (TSFMs) — это предобученные нейросети, которые настраиваются на огромных массивах данных для решения широкого круга задач прогнозирования. В данном исследовании оценивались zero-shot версии TimesFM, Chronos-2, Moirai-2 и Time-MoE, а также LoRA-дообученные варианты Chronos-2 и Time-MoE. Традиционные методы включали LSTM, BiLSTM, Transformer и наивную персистентность (когда прогноз равен последнему наблюдению). Данные охватывали 79 станций мониторинга в Калифорнии за период с 2013 по 2025 год.

Почему BiLSTM оказалась лучше?

BiLSTM — двунаправленная долгая краткосрочная память — способна учитывать контекст как до, так и после точки прогноза, что особенно важно при резких изменениях концентрации PM2.5 во время пожаров. Модель обучалась непосредственно на данных о пожарах, в то время как фундаментальные модели были предобучены на разнородных временных рядах, что могло снизить их эффективность в специфическом сценарии экстремальных выбросов.

Влияние на системы раннего предупреждения и общественное здоровье

Прогнозирование редких, но опасных уровней загрязнения воздуха критически важно для защиты здоровья населения. Лесные пожары становятся все более частыми и интенсивными, и точное предсказание PM2.5 позволяет своевременно эвакуировать людей, раздавать маски и закрывать школы. Если фундаментальные модели не превосходят простые рекуррентные сети, это ставит под сомнение их универсальность в задачах с экстремальными выбросами и указывает на необходимость специализированных подходов.

Кого затронут результаты исследования?

Разработчиков моделей временных рядов, экологов, службы мониторинга качества воздуха и специалистов по оценке рисков для здоровья. Результаты могут повлиять на выбор моделей для систем раннего предупреждения лесных пожаров. Если BiLSTM остается лучшим выбором, то инвестиции в сложные фундаментальные модели могут быть неоправданными для данного приложения.

Какие ограничения и пробелы остаются?

Исследование ограничено данными только по Калифорнии и одним типом загрязнителя. Неясно, как поведут себя модели на других типах экстремальных событий, например, при промышленных выбросах или в других регионах с разными климатическими условиями. Также не изучалась эффективность более крупных фундаментальных моделей или других методов дообучения, таких как полная тонкая настройка. Возможно, что с большим объемом данных или более адаптированными методами фундаментальные модели смогут превзойти LSTM.

Как улучшить прогнозирование экстремальных PM2.5?

Для повышения точности прогнозов в условиях лесных пожаров исследователи рекомендуют использовать гибридные подходы, комбинирующие сильные стороны фундаментальных моделей и специализированных рекуррентных сетей. Также важно включать дополнительные признаки, такие как метеорологические данные (скорость ветра, влажность) и топографию местности. Дальнейшие исследования должны расширить географию и типы загрязнителей, чтобы проверить обобщаемость результатов.

Заключение

Хотя фундаментальные модели временных рядов демонстрируют впечатляющие результаты во многих задачах, их применение к прогнозированию экстремальных уровней PM2.5 при лесных пожарах пока не оправдано. Традиционные методы, такие как BiLSTM, остаются более надежными и точными, особенно для редких, но опасных событий. Это подчеркивает важность специализированных подходов и осторожного выбора моделей для критически важных приложений.