面向移动性的时间序列基础模型：与传统及深度学习模型的基准比较
机器学习
2025-04-08 v1
摘要
人群和流量预测在移动数据科学中得到了广泛研究。传统的预测方法依赖于诸如ARIMA的统计模型，后来又由ST-ResNet等深度学习方法作为补充。最近，用于时间序列预测的基础模型，如TimeGPT、Chronos和LagLlama已经出现。这些模型的一个关键优势是它们能够生成零样本预测，从而无需重新训练即可直接应用于新任务。本研究使用来自奥地利维也纳和美国纽约市的两个共享单车数据集，评估了TimeGPT在预测全市移动性时间序列方面相对于传统方法的性能。模型性能在短期（1小时）、中期（12小时）和长期（24小时）预测范围内进行了评估。结果突出了基础模型在移动性预测方面的潜力，同时也指出了我们实验的局限性。
引用
@article{arxiv.2504.03725,
title = {Timeseries Foundation Models for Mobility: A Benchmark Comparison with Traditional and Deep Learning Models},
author = {Anita Graser},
journal= {arXiv preprint arXiv:2504.03725},
year = {2025}
}