論文の概要: How Good Are Time-Series Foundation Models for Pedestrian Crowd Count Forecasting? A Cross-Dataset Comparative Study
- arxiv url: http://arxiv.org/abs/2609.16415v1
- Date: Mon, 14 Sep 2026 22:46:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.258379
- Title: How Good Are Time-Series Foundation Models for Pedestrian Crowd Count Forecasting? A Cross-Dataset Comparative Study
- Title（参考訳）: 歩行者数予測のための時系列基礎モデルがどの程度優れているか : クロスデータセット比較研究
- Abstract要約: 本研究では,高体積センサを用いた長期予測において,季節的ナイーブが依然として強力なベースラインであることを示す。
また,増木は低体積センサでは競合するが,イベント駆動型シフトでは高体積センサでは高い感度を示す。
- 参考スコア（独自算出の注目度）: 2.3068627328647273
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pedestrian-count forecasting supports pedestrian-oriented Intelligent Transportation Systems (ITS), including crowd monitoring, pedestrian-traffic staffing and routing, and proactive risk mitigation during surges. Recent time-series foundation models (FMs) report strong zero-shot accuracy on heterogeneous forecasting benchmarks, but it remains unclear whether these gains transfer reliably to pedestrian sensing deployments. We benchmark seven univariate forecasting approaches spanning four paradigms: Seasonal Naive, gradient-boosted trees (LightGBM, CatBoost), deep learning models (N-HiTS, PatchTST), and two pretrained FMs (TimesFM, Chronos-2). Experiments cover two complementary regimes: (i) a five-day special event dataset SAIL2025 at 3-minute resolution with limited in-domain history; and (ii) Melbourne pedestrian sensors as a multi-year hourly dataset (2010--2017) with strong seasonality. We compare the MAE and RMSE results per sensor across datasets and multiple forecast horizons. Results show three consistent findings. First, with limited historical data, Seasonal Naive remains a strong baseline for long-horizon forecasting on high-volume sensors, while trained models can degrade when the next day differs substantially from prior days. Second, boosted trees can be competitive on lower-volume sensors but exhibit higher sensitivity on high-volume sensors under event-driven shift. Third, FMs excel in the seasonal and data-rich regime under long-context configuration. The findings highlight the importance of choosing pedestrian forecasting models based on both the underlying data conditions and the forecasting horizon.
- Abstract（参考訳）: 歩行者数予測は、歩行者指向のインテリジェント・トランスポーテーション・システム(ITS)をサポートし、群衆の監視、歩行者交通のスタッフの配置とルーティング、急上昇時の積極的リスク軽減をサポートする。
近年の時系列基礎モデル (FM) では, 異種予測ベンチマークにおいてゼロショット精度が強いことが報告されている。
我々は,季節性ナイーブ(LightGBM,CatBoost),深層学習モデル(N-HiTS,PatchTST),事前学習FM(TimesFM,Chronos-2)の4つのパラダイムにまたがる一変量予測手法をベンチマークした。
実験は2つの相補的な体制をカバーしている。
i) 5日間の特別イベントデータセットSAIL2025をドメイン内履歴に制限のある3分間の解像度で作成すること。
(II) メルボルン歩行者センサは, 季節性が高い多年時データセット (2010-2017) である。
センサ毎のMAEとRMSEの結果をデータセットと複数の予測地平線で比較する。
結果は3つの一貫した結果を示した。
第一に、歴史データが限られているため、シーズンナイーブは、高体積センサーによる長距離予測の強力なベースラインであり、訓練されたモデルは、前日と大きく異なる日に分解することができる。
第2に、押し上げられた木は、低体積センサーでは競合するが、イベント駆動シフト時の高体積センサーでは高い感度を示す。
第3に、FMは長期のコンテキスト構成の下で季節的およびデータ豊かな状態において優れている。
この結果は,基礎となるデータ条件と予測地平線の両方に基づいて,歩行者予測モデルを選択することの重要性を強調した。
関連論文リスト
- Forecasting Ionospheric Irregularities on GNSS Lines of Sight Using Dynamic Graphs with Ephemeris Conditioning [1.100580615194563]
我々は、電離圏のピアス点(IPP)上の動的グラフとして電離圏をモデル化する。
この特性を将来のグラフ構造に関する条件予測に活用する。
これにより、予測地平線にのみ現れる視線を予測できる。
論文 参考訳（メタデータ） (2026-04-20T15:04:20Z) - Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。
本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。
本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。
結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-04-20T11:40:39Z) - Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。
予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
論文 参考訳（メタデータ） (2026-02-03T16:01:22Z) - DUNE: A Machine Learning Deep UNet++ based Ensemble Approach to Monthly, Seasonal and Annual Climate Forecasting [0.0]
Deep UNet++ベースの新しいニューラルネットワークであるEnsemble(DUNE)が導入されている。
年間平均気温は2メートル(T2m)、海面温度(SST)である。
これらの予測は、すべての領域に対する持続性、気候学、多重線形回帰よりも優れる。
論文 参考訳（メタデータ） (2024-08-12T16:22:30Z) - Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。
私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。
私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
論文 参考訳（メタデータ） (2024-06-12T11:50:51Z) - Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳（メタデータ） (2023-09-12T13:28:06Z) - SERT: A Transfomer Based Model for Spatio-Temporal Sensor Data with
Missing Values for Environmental Monitoring [0.0]
センサーから収集されたデータは、故障した機器やメンテナンス上の問題によって、しばしば値が失われる。
計算を必要とせず、欠落したデータを処理しながら、多変量時間予測を行うことのできる2つのモデルを提案する。
論文 参考訳（メタデータ） (2023-06-05T17:06:23Z) - Vision in adverse weather: Augmentation using CycleGANs with various
object detectors for robust perception in autonomous racing [70.16043883381677]
自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。
悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。
本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
論文 参考訳（メタデータ） (2022-01-10T10:02:40Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - Two-Stage Framework for Seasonal Time Series Forecasting [9.359683664929957]
季節の時系列予測は、季節性からの長期依存のために挑戦的な問題のままです。
季節の時系列を予測できる2段階フレームワークを提案する。
本研究では,第1段階で生成した中間結果を既存の予測モデルに組み込むことで,予測性能を効果的に向上できることを示す。
論文 参考訳（メタデータ） (2021-03-03T02:53:39Z) - Short-term daily precipitation forecasting with seasonally-integrated
autoencoder [0.0]
2つの長期メモリ(LSTM)オートエンコーダからなる季節統合オートエンコーダ(SSAE)を提案する。
実験結果から,SSAEは気候によらず様々な時系列モデルに優れるだけでなく,他の深層学習モデルと比較して出力のばらつきも低いことがわかった。
論文 参考訳（メタデータ） (2021-01-23T14:19:56Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。