Neues Verfahren trennt dauerhafte von kurzzeitigen Anomalien in Zeitreihen

Ein neues Verfahren namens Co-TSFA (Contrastive Time Series Forecasting with Anomalies) löst ein langjähriges Problem in der Zeitreihen-Vorhersage: die Unterscheidung zwischen dauerhaften und kurzlebigen Anomalien. Während herkömmliche Modelle oft zu stark auf Rauschen reagieren oder wichtige Veränderungen übersehen, lernt Co-TSFA, welche Störungen ignoriert werden können und welche die Vorhersage beeinflussen sollten.

Co-TSFA nutzt ein Regularisierungsframework, das gezielt Eingabe- und Eingabe-Ausgabe-Augmentierungen erzeugt. Dadurch werden Anomalien, die für die Vorhersage irrelevant sind, von solchen unterschieden, die tatsächlich die zukünftige Verteilung verändern. Ein zusätzlicher latenter Ausgabenausrichtungsverlust bindet Änderungen in der Repräsentation an Veränderungen in der Vorhersage, sodass das Modell robust gegenüber unwichtigen Störungen bleibt, aber empfindlich auf echte Verschiebungen reagiert.

Die Methode wurde auf den bekannten Traffic- und Electricity-Benchmarks sowie auf einem realen Cash‑Demand-Datensatz getestet. In allen Fällen zeigte Co-TSFA eine verbesserte Genauigkeit unter anomalienreichen Bedingungen, ohne die Leistung bei normalen Daten zu beeinträchtigen. Der Quellcode ist in einem anonymisierten GitHub‑Repository verfügbar und wird nach Annahme der Veröffentlichung öffentlich zugänglich gemacht.