TS-Mob框架增强了用于人类移动预测的时间序列模型

研究人员开发了TS-Mob，一个旨在改进用于预测人类移动的时间序列基础模型的新框架。该框架整合了从人口密度和兴趣点等开放数据计算出的地理和社会信号，以及天气数据。当应用于TimesFM模型时，TS-Mob在包括Bike New York City、Taxi Beijing和西班牙的出行矩阵等基准测试中，与现有方法相比表现出显著的性能提升，显示出更低的误差率和更高的预测准确性。 AI

影响 该框架可以通过提供更准确的人类移动预测来改善城市规划和交通系统。

排序理由 该集群包含一篇arXiv预印本，详细介绍了一个用于时间序列预测的新框架和模型。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• Bike New York City
• Hugging Face
• Massimiliano Luca
• Spain
• Taxi Beijing
• TimesFM
• TS-Mob

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →