Насколько хороши модели для прогнозирования числа пешеходов? Сравнительное исследование с использованием перекрестных данных

arXiv: 2609.16415v1 Тип уведомления: новое резюме: прогнозирование численности пешеходов поддерживает ориентированные на пешеходов интеллектуальные транспортные системы (ИТС), включая мониторинг толпы, укомплектование кадрами и маршруты движения пешеходов, а также инициативное снижение рисков в периоды пиковых колебаний. Последние модели (FM) временных рядов указывают на высокую точность нулевой мощности по различным контрольным показателям прогнозирования, однако остается неясным, надежно ли эти выгоды переносятся на использование пешеходного зондирования. Мы используем семь одновариативных подходов к прогнозированию, охватывающих четыре парадигмы: сезонный наив, градиентно забитые деревья (LightGBM, CatBoost), модели глубокого обучения (N-HiTS, PatchTST) и две предварительно подготовленные FM (TimesFM, Chronos-2). Эксперименты охватывают два дополнительных режима: i) пятидневный набор специальных данных о событиях SAIL2025 при трехминутном разрешении с ограниченным внутренним опытом; и ii) пешеходные датчики Мельбурна в качестве многолетнего почасового набора данных (2010 - 2017 годы), характеризующегося высокой сезонностью. Мы сравниваем результаты MAE и RMSE на один датчик