Towards Reliable Zero-Shot Crowd Forecasting: Evaluating Time Series Foundation Models for Special Event Pedestrian Forecasting
Diese Arbeit bewertet die Effektivität vortrainierter Zeitreihen-Foundation-Modelle für die Zero-Shot-probabilistische Crowd-Prognose während seltener Spezialereignisse und demonstriert deren Fähigkeit, zuverlässige Punktschätzungen sowie Unsicherheitsquantifizierung ohne umfangreiches lokales Nachtraining bereitzustellen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen das Wetter für ein Picknick vorherzusagen, das nur alle fünf Jahre stattfindet. Sie können nicht einfach das Wetter vom letzten Jahr heranziehen, denn, nun ja, letztes Jahr fand es nicht statt. Sie können auch nicht erst am Tag selbst damit beginnen, die Muster zu erlernen. Dies ist die knifflige Welt der „Zero-Shot“-Vorhersage: kluge Vermutungen über die Zukunft anzustellen, wenn man fast keine historischen Daten hat, um sie zu studieren. Normallich müssen Computer Berge von historischen Daten „fressen“, um lernen zu können, Dinge wie den Verkehr oder Menschenmengen vorherzusagen. Aber was wäre, wenn man einen superintelligenten Computer-Verstand hätte, der bereits die „Enzyklopädie“ der Zeit und der Muster von Millionen anderer Orte gelesen hat, und man ihn einfach fragen könnte: „Hey, was wird hier wohl passieren?“ Dies ist das Versprechen von „Foundation Models“. Sie sind wie universelle Studenten, die ihre Hausaufgaben zu einer Milliarde verschiedenen Themen bereits erledigt haben, sodass sie in ein neues Klassenzimmer treten und sofort mit dem Unterrichten beginnen können, ohne ein Lehrbuch zu benötigen.
Stellen Sie sich nun ein riesiges Maritimes Festival in Amsterdam vor, das SAIL-Event, das 2,5 Millionen Menschen anzieht. Die Stadt muss genau wissen, wo sich die Menschenmassen in den nächsten 30 Minuten befinden werden, um zusätzliche Tore zu öffnen, mehr Polizei zu entsenden oder einen Weg für einen Krankenwagen freizumachen. Aber weil dieses Ereignis selten ist, verfügt die Stadt nicht über jahrelange Daten, um einen maßgeschneiderten Roboter zu trainieren. Sie benötigen eine Vorhersage, die nicht nur eine einzelne Vermutung ist (wie „es werden 500 Menschen sein“), sondern einen Bereich von Möglichkeiten mit einem Sicherheitsnetz (wie „es werden zwischen 400 und 600 sein, aber seien Sie vorsichtig, es könnte auf 800 hochschnellen“). Dieses Paper ist eine reale Testfahrt, um zu sehen, ob diese vor-trainierten „universellen Studenten“ tatsächlich mit dem Chaos eines massiven, einmaligen Crowd-Events fertig werden, ohne abzustürzen oder gefährliche Ratschläge zu geben.
Die Forscher ließen ein Rennen zwischen zwei der klügsten zeitreisenden KI-Modelle laufen, die verfügbar sind: TimesFM und Chronos-2. Sie haben diese Modelle nicht mit Amsterdam-Daten trainiert; statlichdessen haben sie sie direkt mitten in das SAIL2025-Festival geworfen, um zu sehen, wie sie sich in einem „Zero-Shot“-Szenario schlagen. Denken Sie an jemanden, der einem Koch, der noch nie in einer bestimmten Küche gekocht hat, ein neues, seltsames Rezept gibt und sieht, ob er ein köstliches Essen zubereiten kann, ohne die Zutaten vorher probiert zu haben.
Die Ergebnisse waren überraschend eindeutig. Das Chronos-2-Modell erwies sich als der Star der Show. Es gelang ihm, die Menschenströme mit einem zuverlässigen „Sicherheitsfenster“ von etwa 30 bis 45 Minuten im Voraus vorherzusagen. In der Welt der Crowd-Kontrolle ist ein Vorlauf von 30 Minuten wie ein Superkraft; er gibt den Managern genug Zeit, Menschen tatsächlich umzusetzen oder Notausgänge zu öffnen, bevor ein Engpass zum Desaster wird. Chronos-2 war besonders gut darin, seine Vorhersagen „vorwärts zu rollen“, was bedeutet, dass es seine Prognose, während alle 90 Sekunden neue Daten eintrafen, reibungslos aktualisierte, ohne verwirrt zu werden.
Dennoch fand das Paper auch einige interessante Eigenheiten. Während Chronos-2 der Gesamtsieger war, machte TimesFM tatsächlich einen besseren Job während der ruhigen Zeiten mit wenig Menschen (wie spät in der Nacht) und in Bereichen, in denen die Personenzahlen sehr klein und stetig waren. Es ist, als wäre TimesFM ein ruhiger, beständiger Bibliothekar, der gut darin ist, die ruhigen Bibliotheksstunden vorherzusagen, während Chronos-2 ein hochenergetischer Sportcoach ist, der glänzt, wenn das Spiel chaotisch und schnelllebig wird.
Eine der kritischsten Entdeckungen des Papers war, wie diese Modelle mit „fehlenden Daten“ umgehen. Stellen Sie sich vor, eine Kamera würde für eine Stunde ausfallen und eine Lücke in der Zählung der Menschenmenge hinterlassen. Die Forscher fanden heraus, dass Chronos-2 auf diese fehlenden Informationen reagierte, indem es sein „Sicherheitsnetz“ weitete. Anstatt selbstbewusst eine bestimmte Zahl zu raten, sagte es: „Ich weiß es nicht genau, daher ist der Bereich der Möglichkeiten nun riesig.“ Das ist ein Feature, kein Bug! In sicherheitskritischen Situationen ist es weita viel besser, wenn ein Modell sagt: „Ich bin unsicher, seien Sie vorsichtig“, als wenn es selbstbewusst eine falsche Antwort gibt. TimesFM hingegen weitete sein Netz nicht so stark aus, was riskanter sein könnte, falls die fehlenden Daten einen plötzlichen Anstieg verborgen hätten.
Die Studie untersuchte auch die „Kosten“ der Nutzung dieser Modelle. Die Forscher ließen alles auf einem Standard-Laptop ohne aufwendige Grafikkarten laufen. Die gute Nachricht? Beide Modelle waren unglaublich schnell und brauchten weniger als eine halbe Sekunde, um eine Stunde in die Zukunft vorherzusagen. Das bedeutet, dass sie problemlos auf regulären Stadtcomputern laufen könnten, um Menschenmengen in Echtzeit zu verwalten. Auch der Speicherplatz, den sie nutzten, war überschaubar, obwohl Chronos-2 etwas mehr Energie benötigte, um „aufzuwachen“ und mit dem Denken zu beginnen.
Letztendlich legt das Paper nahe, dass Chronos-2 für das Management seltener, massiver Ereignisse wie des SAIL-Festivals die zuverlässigere Wahl ist, insbesondere wenn man plötzliche Veränderungen und fehlende Daten bewältigen muss. Es deutet darauf, dass wir nicht immer einen neuen, maßgeschneiderten Roboter für jedes einzelne Ereignis bauen müssen; manchmal müssen wir nur den richtigen vor-trainierten Experten finden, der einspringen und den Job erledigen kann. Die Forscher führten auch ein neues Set an „Zeugnissen“ für diese Modelle ein, die sich nicht nur darauf konzentrieren, wie nah die Schätzung am Ziel war, sondern auch darauf, wie stabil die Vorhersage über die Zeit hinweg war und wie ehrlich das Modell bezüglich seiner Unsicherheit war. Das ist eine große Sache, denn im Crowd-Management ist das Wissen, wann man etwas nicht weiß, genauso wichtig wie das Wissen um die Antwort selbst.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.