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.

Um dieses Problem anzugehen, präsentiert die neue Methode STRATA-TS (Selective TRAnsfer via TArget-aware retrieval for Time Series). Das Konzept kombiniert domänenangepasste Retrieval-Strategien mit großen, reasoning‑fähigen Modellen, um die Vorhersageleistung in Datenknappheitsszenarien zu steigern. Ein patch‑basierter zeitlicher Encoder identifiziert zunächst Quellsequenzen, die semantisch und dynamisch mit der Zielanfrage übereinstimmen.

Die ausgewählten Exemplare werden anschließend in eine retrieval‑guided Reasoning‑Phase eingespeist, in der ein Large Language Model (LLM) strukturierte Inferenz über die Ziel‑Eingaben und die unterstützenden Daten durchführt. Für den produktiven Einsatz wird dieser komplexe Denkprozess durch supervised Fine‑Tuning in ein kompakteres, offenes Modell distilliert, das effizient eingesetzt werden kann.

Umfangreiche Tests an drei Parkverfügbarkeitsdatensätzen aus Singapur, Nottingham und Glasgow zeigen, dass STRATA-TS die Leistung gegenüber starken Forecast‑ und Transfer‑Baselines konsequent übertrifft. Darüber hinaus liefert die Methode nachvollziehbare Wissensaustauschpfade, die die Interpretierbarkeit der Vorhersagen erhöhen.