时序基础模型用于人群计数预测的跨数据集评测
原文标题：How Good Are Time-Series Foundation Models for Pedestrian Crowd Count Forecasting? A Cross-Dataset Comparative Study
重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究系统评测了七种单变量预测方法在行人计数预测上的表现，涵盖 Seasonal Naive、梯度提升树、深度学习模型与两个预训练时序基础模型（TimesFM、Chronos-2）。结果显示：历史数据有限时 Seasonal Naive 仍是长时预测的强基线；提升树在低流量传感器上有竞争力但对事件驱动偏移敏感；基础模型在季节性强、数据充足且长上下文配置下表现最佳。结论强调模型选择需结合数据条件与预测时域。
- 问题
- 时序基础模型在人群计数预测上的零样本优势能否迁移到实际部署尚不明确。
- 方法
- 跨数据集评测七种单变量预测方法，覆盖 Seasonal Naive、梯度提升树、深度学习与两个预训练基础模型。
- 结果
- 基础模型在季节性强、数据充足且长上下文时最佳；历史有限时 Seasonal Naive 仍是长时预测强基线。
- 影响
- 提醒工程团队按数据条件与预测时域选型，而非默认采用时序基础模型。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。