EVEREST: Neuer Transformer für seltene Ereignisse in Zeitreihen

Ein neuer Ansatz namens EVEREST verspricht, die Vorhersage seltener Ereignisse in multivariaten Zeitreihen zu revolutionieren. Durch die Kombination von Transformer‑Technologie mit evidenzbasierten Unsicherheitsabschätzungen liefert das Modell präzise, kalibrierte Prognosen und berücksichtigt gleichzeitig die extremen Ränder der Datenverteilung.

Die Architektur besteht aus vier Kernkomponenten: einem lernbaren Attention‑Bottleneck zur weichen Aggregation temporaler Dynamiken, einer evidenzbasierten Kopf‑Schicht zur Schätzung von Aleatorik und Epistemik mittels einer Normal‑Inverse‑Gamma‑Verteilung, einem Extremwert‑Kopf, der die Randeinflüsse mit einer Generalized Pareto Distribution modelliert, sowie einem leichten Vorhersage‑Kopf für die frühzeitige Erkennung von Ereignissen. Diese Module werden gemeinsam mit einem zusammengesetzten Verlust (Focal Loss, evidenzbasierte Negative Log‑Likelihood und ein tail‑sensitiver EVT‑Strafterm) trainiert.

Bei der Anwendung auf zehn Jahre Weltraumwetterdaten erzielte EVEREST einen True Skill Statistic (TSS) von 0,973, 0,970 und 0,966 für 24‑, 48‑ und 72‑Stunden‑Horizonte bei C‑Klassen‑Flare‑Vorhersagen – ein neuer Maßstab in der Branche. Das Modell ist kompakt, benötigt nur etwa 0,81 Millionen Parameter und lässt sich effizient auf handelsüblichen Hardware‑Plattformen trainieren.

Obwohl EVEREST bereits beeindruckende Ergebnisse liefert, beschränkt sich die aktuelle Version auf feste Eingabelängen und berücksichtigt keine bildbasierten Modalitäten. Die Entwickler planen zukünftige Erweiterungen für Streaming‑Daten und multimodale Vorhersagen, um die Anwendbarkeit in Bereichen wie industrieller Überwachung, Wettervorhersage und Satellitendiagnostik weiter zu erhöhen.