Time Series Foundation Models as Strong Baselines in Transportation Forecasting: A Large-Scale Benchmark Analysis

📄 arXiv: 2602.24238v1 📥 PDF

作者: Javier Pulido, Filipe Rodrigues

分类: cs.LG

发布日期: 2026-02-27

备注: 6 pages

💡 一句话要点

利用时间序列基础模型Chronos-2，实现交通预测任务的强大零样本基线。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 时间序列预测 交通预测 基础模型 零样本学习 基准测试 不确定性量化 Chronos-2

📋 核心要点

  1. 深度学习交通预测模型通常需要针对特定数据集进行训练、架构设计和超参数调整，泛化能力弱。
  2. 论文评估了通用时间序列基础模型Chronos-2在交通预测中的零样本性能，无需任何特定任务的微调。
  3. 实验表明，Chronos-2在多个交通数据集上表现出色，优于传统方法和专用深度学习模型，并能提供不确定性量化。

📝 摘要（中文）

本文评估了通用时间序列基础模型在交通预测任务中的表现，通过对最先进模型Chronos-2在十个真实世界数据集上的零样本性能进行基准测试，这些数据集涵盖了高速公路交通量和流量、城市交通速度、共享单车需求和电动汽车充电站数据。结果表明，即使没有任何特定于任务的微调，Chronos-2在大多数数据集上也能提供最先进或具有竞争力的准确性，通常优于经典的统计基线和专门的深度学习架构，尤其是在较长预测周期内。除了点预测之外，还评估了其原生概率输出的预测区间覆盖率和清晰度，证明Chronos-2无需数据集特定训练即可提供有用的不确定性量化。总的来说，这项研究支持采用时间序列基础模型作为交通预测研究的关键基线。

🔬 方法详解

问题定义：现有交通预测方法依赖于特定数据集的训练和调优，缺乏通用性和泛化能力。针对不同类型的交通数据，需要重新设计模型架构和调整超参数，成本高昂。因此，如何利用通用模型在不同交通预测任务中实现良好的零样本性能是一个关键问题。

核心思路：论文的核心思路是利用预训练的时间序列基础模型，例如Chronos-2，将其作为交通预测任务的强大基线。通过评估其在不同交通数据集上的零样本性能，验证其泛化能力和适用性。这种方法避免了针对特定数据集的训练和调优，降低了开发成本。

技术框架：论文采用的评估框架包括以下几个主要步骤：1）选择时间序列基础模型Chronos-2；2）收集和整理十个真实世界的交通数据集，涵盖不同类型的交通数据；3）使用Chronos-2进行零样本预测，即不进行任何特定于数据集的训练；4）评估预测结果的准确性和不确定性量化能力，并与传统方法和专用深度学习模型进行比较。

关键创新：论文的关键创新在于验证了时间序列基础模型在交通预测领域的有效性。通过大规模的基准测试，证明了Chronos-2在零样本条件下也能取得具有竞争力的性能，甚至优于专门设计的模型。这表明时间序列基础模型具有很强的泛化能力，可以作为交通预测研究的强大基线。

关键设计：论文的关键设计包括：1）选择Chronos-2作为评估对象，因为它代表了当前最先进的时间序列基础模型；2）使用十个真实世界的交通数据集，涵盖了不同类型的交通数据，以保证评估的全面性和代表性；3）采用一致的评估协议，包括相同的预测周期、评估指标和比较基线，以保证评估结果的客观性和可比性；4）除了点预测之外，还评估了概率预测的质量，包括预测区间覆盖率和清晰度，以全面评估模型的不确定性量化能力。

📊 实验亮点

实验结果表明，Chronos-2在大多数交通数据集上实现了最先进或具有竞争力的准确性，尤其是在较长预测周期内。例如，在某些数据集上，Chronos-2的性能优于传统的统计基线和专门的深度学习架构。此外，Chronos-2还提供了有用的不确定性量化，无需数据集特定训练，这对于交通预测的可靠性至关重要。

🎯 应用场景

该研究成果可应用于城市交通管理、智能交通系统、交通规划等领域。通过利用时间序列基础模型，可以快速构建交通预测系统，降低开发成本，提高预测准确性，从而优化交通流量、减少拥堵、提高出行效率，并为电动汽车充电站的规划和运营提供决策支持。

📄 摘要（原文）

Accurate forecasting of transportation dynamics is essential for urban mobility and infrastructure planning. Although recent work has achieved strong performance with deep learning models, these methods typically require dataset-specific training, architecture design and hyper-parameter tuning. This paper evaluates whether general-purpose time-series foundation models can serve as forecasters for transportation tasks by benchmarking the zero-shot performance of the state-of-the-art model, Chronos-2, across ten real-world datasets covering highway traffic volume and flow, urban traffic speed, bike-sharing demand, and electric vehicle charging station data. Under a consistent evaluation protocol, we find that, even without any task-specific fine-tuning, Chronos-2 delivers state-of-the-art or competitive accuracy across most datasets, frequently outperforming classical statistical baselines and specialized deep learning architectures, particularly at longer horizons. Beyond point forecasting, we evaluate its native probabilistic outputs using prediction-interval coverage and sharpness, demonstrating that Chronos-2 also provides useful uncertainty quantification without dataset-specific training. In general, this study supports the adoption of time-series foundation models as a key baseline for transportation forecasting research.