Maschinelles Lernen und statistische Modelle zur Vorhersage der Raumluftqualität

Die Raumluftqualität (IAQ), bestimmt durch die Konzentrationen von Innenluftschadstoffen, kann entweder durch physikalisch basierte mechanistische Modelle oder durch statistische Modelle, die auf gemessenen Daten basieren, vorhergesagt werden. Im Vergleich zu mechanistischen Modellen, die hauptsächlich in unbesetzten oder szenariobasierten Umgebungen verwendet werden, haben statistische Modelle großes Potenzial, die IAQ zu erforschen, die in umfangreichen Messkampagnen oder in real besetzten Umgebungen erfasst wurde. Die vorliegende Studie führte die erste Literaturübersicht über die Verwendung statistischer Modelle zur Vorhersage der IAQ durch. Die am häufigsten verwendeten Methoden der statistischen Modellierung wurden überprüft und ihre Stärken und Schwächen diskutiert. Siebenunddreißig Publikationen, in denen statistische Modelle zur Vorhersage der IAQ angewendet wurden, wurden identifiziert. Diese Studien wurden alle im vergangenen Jahrzehnt veröffentlicht, was auf das Aufkommen des Bewusstseins und der Anwendung von maschinellem Lernen und statistischer Modellierung im Bereich der IAQ hinweist. Die Konzentrationen von Innenraumpartikeln (PM2.5 und PM10) waren die am häufigsten untersuchten Parameter, gefolgt von Kohlendioxid und Radon. Die beliebtesten statistischen Modelle, die auf IAQ angewendet wurden, waren künstliche neuronale Netze, multiple lineare Regression, partielle kleinste Quadrate und Entscheidungsbäume.