Enhanced CO₂ Forecasting in Indoor Environments Using Advanced LSTM Models

Accurate forecasting of CO₂ levels in indoor environments is essential for effective air quality management and public health protection. This study assesses the performance of four Long Short-Term Memory (LSTM)-based models—LSTM, Spatial LSTM (sLSTM), Memory-Augmented LSTM (mLSTM), and Extended LSTM (xLSTM)—for CO₂ prediction. The results demonstrate that xLSTM consistently outperforms the others models across multiple evaluation metrics, establishing it as a highly reliable option for air quality monitoring. The research underscores the relevance of precise CO₂ forecasting for policymakers and building managers in optimizing indoor environments conditions. Future work will focus in integrating xLSTM into a real-time monitoring system powered by Big Data and Internet of Things (IoT) technologies, incorporating multiple forecasting algorithms. This approach aims to enhance indoor air quality management and support respiratory diseases prevention through continuous monitoring and advanced predictive analysis.

Spanish-language metadata / Metadatos en español

Título en español:

Mejora de la predicción de CO₂ en ambientes interiores mediante modelos LSTM avanzados

Resumen:

La predicción precisa de los niveles de CO₂ en ambientes interiores es esencial para una gestión eficaz de la calidad del aire y la protección de la salud pública. Este estudio evalúa el desempeño de cuatro modelos basados en la red de memoria a corto y largo plazo (LSTM) —LSTM, LSTM espacial (sLSTM), LSTM con memoria aumentada (mLSTM) y LSTM extendida (xLSTM)— para la predicción de CO₂. Los resultados demuestran que xLSTM supera sistemáticamente a los demás modelos en múltiples métricas de evaluación, lo que lo consolida como una opción altamente confiable para el monitoreo de la calidad del aire. La investigación destaca la importancia de contar con pronósticos precisos de CO₂ para que los responsables políticos y los administradores de edificios puedan optimizar las condiciones ambientales en los interiores. Los trabajos futuros se centrarán en integrar xLSTM en un sistema de monitoreo en tiempo real basado en tecnologías de Big Data e Internet de las cosas (IoT), que incorpore múltiples algoritmos de predicción. Este enfoque tiene como objetivo mejorar la gestión de la calidad del aire interior y contribuir a la prevención de enfermedades respiratorias mediante un monitoreo continuo y un análisis predictivo avanzado.

Palabras Claves:

Memoria a corto y largo plazo, predicción de series temporales, aprendizaje automático, síndrome del edificio enfermo

Smart citations:

https://scite.ai/reports/10.61467/2007.1558.2026.v17i3.897Dimensions.Open Alex.