STRATA-TS: Zielgerichteter Wissensaustausch verbessert städtische Vorhersagen
Städtische Vorhersagemodelle stehen häufig vor einem gravierenden Datenungleichgewicht: Nur wenige Städte verfügen über umfangreiche, langlaufende Aufzeichnungen, während viele andere nur kurze oder unvollständige Historien besitzen. Ein direkter Transfer von Daten aus reichhaltigen zu datenarmen Städten ist daher riskant, weil nur ein kleiner Teil der Quellmuster tatsächlich von Nutzen ist. Gleichzeitig kann ein unkritischer Transfer unerwünschte Rauscheffekte und negatives Transferverhalten mit sich bringen.
