Neuer Transformer-Ansatz verbessert Passagierprognosen an Flughäfen

Eine neue Studie aus dem arXiv-Repository präsentiert den DTSFormer, einen deformablen temporo-spektralen Transformer, der die Vorhersage von Passagierströmen an Flughäfen deutlich verbessert. Durch die dynamische Aufteilung von Zeitreihen in multiscale Patches und die Kombination von Frequenz- und Zeitanalysen kann das Modell komplexe, heterogene Muster erkennen, die bei herkömmlichen Patch-basierten Modellen oft übersehen werden.

Der DTSFormer nutzt ein innovatives Maskierungsverfahren, um die Eingabesequenz in unterschiedliche Zeitstufen zu segmentieren. Innerhalb jeder Stufe wird anschließend ein Frequenz-Domain-Attention-Mechanismus eingesetzt, der sowohl hoch- als auch niederfrequente Komponenten erfasst. Diese multimedialen Features werden anschließend im Zeitbereich zusammengeführt, um kurzfristige Schwankungen und langfristige Trends gleichzeitig zu modellieren.

In umfangreichen Experimenten mit realen Daten des Beijing Capital International Airport – gesammelt von Januar 2023 bis März 2024 – übertraf der DTSFormer sämtliche aktuellen Benchmark-Modelle über alle Prognosehorizonte hinweg. Die Ergebnisse zeigen, dass die deformable Partitionierung und die spektrale Filterung entscheidende Vorteile bei der Vorhersage von Passagierströmen bieten.