美国人口动态的人口预测：时间序列基础模型的比较分析
机器学习
2025-08-20 v2 人工智能
摘要
人口迁移受全球化、经济条件、地缘政治事件和环境因素的影响，为政策制定者和研究者带来了重大挑战。准确的人口预测对于在城市规划、医疗和经济政策等领域做出明智决策至关重要。本研究探讨了将时间序列基础模型应用于预测美国的人口变化，使用来自美国人口普查局和美联储经济数据(FRED)的数据集。我们评估了时间序列基础模型(TimesFM)的性能，作为传统基线，包括长短期记忆网络(LSTM)、自回归积分移动平均模型(ARIMA)和线性回归。我们的实验覆盖六个人口学多样化的州，显示TimesFM在86.67%的测试案例中实现最低的均方误差(MSE)，在稀疏历史数据较少的少数民族人口上表现尤为出色。这些发现凸显了预训练基础模型在提升人口分析和制定积极性政策干预方面的潜力，而无需进行大量任务特定的微调。
引用
@article{arxiv.2508.11680,
title = {Comparative Analysis of Time Series Foundation Models for Demographic Forecasting: Enhancing Predictive Accuracy in US Population Dynamics},
author = {Aditya Akella and Jonathan Farah},
journal= {arXiv preprint arXiv:2508.11680},
year = {2025}
}
备注
6 pages, 4 figures, 3 tables