本研究では、屋内空気質問題に取り組むためのモデル構築の必要性に焦点を当てています。モデルの精度と速度が求められる中、次元削減のために縮小次数モデル技術が採用されます。動的システムを表現するモデルの精度は、センサーからの実データを取り入れるデータ同化技術によって向上します。本論文では、データ同化と機械学習を組み合わせた新しい手法「潜在同化」を提案しています。この方法では、畳み込みニューラルネットワークを使用して次元を削減し、長期短期記憶(LSTM)を用いて動的システムの代理モデルを構築、最適補間カルマンフィルターを使用して実データを組み込む実験が行われました。屋内空間のCO2濃度に関する実験結果が示され、この手法がSARS-COV-2のようなウイルスの空気中の濃度予測に役立つ可能性が考察されています。