用于行人人数预测的时间序列基础模型有多好？跨数据集比较研究

行人计数预测支持以行人为导向的智能交通系统 (ITS)，包括人群监控、行人交通人员配置和路线，以及高峰期间的主动风险缓解。最近的时间序列基础模型 (FM) 在异构预测基准上报告了很强的零样本精度，但仍不清楚这些收益是否可靠地转移到行人传感部署。我们对跨越四种范式的七种单变量预测方法进行了基准测试：季节性朴素、梯度增强树（LightGBM、CatBoost）、深度学习模型（N-HiTS、PatchTST）和两种预训练的 FM（TimesFM、Chronos-2）。实验涵盖两种互补的机制：(i) 为期五天的特殊事件数据集 SAIL2025，分辨率为 3 分钟，域内历史记录有限； (ii) 墨尔本行人传感器作为多年每小时数据集（2010--2017），具有很强的季节性。我们跨数据集和多个预测范围比较每个传感器的 MAE 和 RMSE 结果。结果显示了三个一致的发现。首先，由于历史数据有限，季节性朴素仍然是大容量传感器进行长期预测的强大基线，而当第二天与前几天有很大差异时，经过训练的模型可能会退化。其次，增强树在小容量传感器上具有竞争力，但在事件驱动的转变下对大容量传感器表现出更高的灵敏度。第三，FM 在长上下文配置下的季节性和数据丰富的情况下表现出色。研究结果强调了根据基础数据条件和预测范围选择行人预测模型的重要性。