AIR: Adaptive Information Routing verbessert multimodale Zeitreihenprognosen

Ein neues Forschungsprojekt aus dem Bereich der künstlichen Intelligenz präsentiert den Adaptive Information Routing (AIR)-Ansatz, der die Vorhersagegenauigkeit von Zeitreihen durch die gezielte Nutzung von Textdaten deutlich steigert. Im Gegensatz zu bisherigen Methoden, die Textinformationen lediglich als zusätzliche Merkmale behandeln, steuert AIR aktiv, wie und in welchem Umfang multivariate Zeitreiheninformationen kombiniert werden, indem er die Textdaten als dynamische Leitfaden nutzt.

Zur Umsetzung wurde ein spezieller Text‑Verfeinerungs‑Pipeline entwickelt, die mithilfe eines großen Sprachmodells Rohtext in ein für die Prognose geeignetes Format überführt. Ergänzt wird das System durch ein neues Benchmark‑Set, das multimodale Vorhersageexperimente auf Basis dieser Pipeline ermöglicht und damit die Vergleichbarkeit von Ansätzen in diesem Forschungsfeld verbessert.

Experimentelle Ergebnisse mit realen Marktdaten – darunter Rohölpreise und Wechselkurse – zeigen, dass AIR die Leistung von Zeitreihenmodellen signifikant erhöht. Durch die intelligente Einbindung von Textinformationen werden Prognosen in verschiedenen Anwendungsfällen präziser, was die Vielseitigkeit und Praxisrelevanz multimodaler Vorhersagemethoden unterstreicht.