Air Quality Arena: бенчмарк для прогноза загрязнения воздуха на foundation-моделях

Международная группа исследователей в июле 2026 года представила Air Quality Arena (AQA) — крупный открытый датасет и бенчмарк для прогнозирования загрязнения воздуха, который охватывает 6 основных загрязнителей, 7 стран на 4 континентах и более 14 000 временных рядов «станция-загрязнитель». Работа опубликована как препринт на arXiv, а сами данные выложены в открытый доступ.

Зачем понадобился новый бенчмарк

Прежние бенчмарки для прогноза качества воздуха слишком узкие — и по географии, и по набору загрязнителей, — и почти не проверяют современные time-series foundation models (TSFM) на реальных крупномасштабных данных. Именно этот пробел закрывает Air Quality Arena. Машинное обучение всё чаще применяют для прогноза уровня загрязнения, но без единого широкого стандарта сравнивать модели трудно.

Проблема не академическая. По оценке авторов, загрязнение воздуха ежегодно уносит около 7,9 млн жизней преждевременно, поэтому точный прогноз — приоритет общественного здравоохранения.

«Загрязнение воздуха вызывает, по оценкам, 7,9 миллиона

преждевременных смертей ежегодно, что делает точное прогнозирование критически важным приоритетом общественного здравоохранения», — говорится в препринте на arXiv.

Что вошло в датасет

Air Quality Arena состоит из двух частей: данных (AQA-Data) и бенчмарка (AQA-Bench). Датасет собирает наземные измерения 6 основных загрязнителей за трёхлетний период в 7 разных странах на 4 континентах — суммарно более 14 000 рядов «станция-загрязнитель». Это заметно шире большинства прежних наборов, ограниченных одним регионом или одним-двумя веществами.

• 6 основных загрязнителей воздуха
• Период наблюдений — 3 года
• 7 стран на 4 континентах
• Более 14 000 рядов «станция-загрязнитель»
• 11 протестированных foundation-моделей плюс классические baseline-методы

Бенчмарк AQA-Bench оценивает модели на задаче краткосрочного прогноза — предсказании уровней загрязнителей на ближайшее время. Авторы подчёркивают разнообразие стран в выборке: это позволяет проверить, насколько универсально модель работает в разных условиях.

Почему foundation-модели победили

Time-series foundation models обошли классические методы, потому что дают точный прогноз в режиме zero-shot — без дообучения под конкретную станцию или регион. Авторы прогнали через AQA-Bench 11 ведущих TSFM и классические базовые модели на задаче краткосрочного прогноза загрязнения. По данным исследования, foundation-модели стабильно оказывались точнее классики на всех регионах.

Способность к zero-shot важна на практике: систему мониторинга можно развернуть в новом городе, где ещё нет длинной истории наблюдений для обучения.

Лучший результат показала кросс-модальная архитектура: для прогноза временных рядов она задействует vision foundation model — модель, изначально обученную на изображениях. То есть «зрительная» нейросеть переносит опыт распознавания картинок на числовые ряды измерений.

«Модели-фундаменты для временных рядов — эффективные zero-shot

прогнозисты и стабильно превосходят классические базовые методы», — отмечают авторы в препринте на arXiv.

Что это значит

Прогноз качества воздуха переходит на универсальные foundation-модели: одну предобученную модель можно применять сразу в разных странах без локальной настройки. Открытый датасет из 14 000+ рядов даёт исследователям общую точку отсчёта и ускоряет разработку систем раннего оповещения о смоге и загрязнении.

Частые вопросы

Что такое Air Quality Arena?

Это открытый датасет (AQA-Data) и бенчмарк (AQA-Bench) для прогноза загрязнения воздуха: 6 загрязнителей, 3 года наблюдений, 7 стран на 4 континентах, свыше 14 000 рядов «станция-загрязнитель».

Какая модель показала лучший результат?

Лучшей стала кросс-модальная архитектура, которая использует vision foundation model для прогнозирования временных рядов. В целом все протестированные time-series foundation models превзошли классические методы в zero-shot режиме.

Сколько моделей протестировали в бенчмарке?

Авторы сравнили 11 ведущих time-series foundation models и несколько классических базовых методов на задаче краткосрочного прогноза качества воздуха.