KI-Strategie steigert Zeitreihenprognosen mit erklärbarem Ensemble

In der Welt der Zeitreihenprognosen hat die rasante Verbreitung von Foundation‑Modellen zu einer Situation geführt, in der kein einzelnes Verfahren dauerhaft überlegen ist. Der wahre Fokus liegt daher nicht mehr auf der Suche nach dem besten Modell, sondern auf der geschickten Zusammenstellung eines Ensembles, das gleichzeitig interpretierbar bleibt.

Traditionelle Large Language Models (LLMs) besitzen zwar beeindruckende Rechen- und Denkfähigkeiten, zeigen jedoch bei direkter Anwendung auf Zeitreihen keine ausreichende Leistung. Die neue Methode nutzt das LLM als „intelligenten Richter“, der ein Ensemble von Foundation‑Modellen bewertet, erklärt und koordiniert. Durch einen R1‑ähnlichen Feinabstimmungsprozess, der SHAP‑basierte Vertrauenswerte verwendet, lernt das Modell, die Ensemble‑Gewichte als sinnvolle kausale Aussagen über die zeitlichen Dynamiken zu interpretieren.

Der trainierte Agent führt anschließend mehrstufige, dialogbasierte Gespräche, um zukünftige Entwicklungen zu bewerten, kausal fundierte Erklärungen für seine Gewichtungsentscheidungen zu liefern und die Optimierungsstrategie dynamisch anzupassen. Auf dem GIFT‑Eval‑Benchmark, der 23 Datensätze in 97 Konfigurationen umfasst, übertrifft die Herangehensweise führende Zeitreihen‑Foundation‑Modelle deutlich in den Metriken CRPS und MASE und setzt damit neue Maßstäbe.