Sonar-TS: Neuronisch-symbolisches System für natürliche Sprachabfragen Zeitreihen

Sonar-TS ist ein neuartiges neuro-symbolisches Framework, das es Anwendern ohne Fachkenntnisse ermöglicht, aus riesigen Zeitreihen-Datenbanken sinnvolle Ereignisse, Intervalle und Zusammenfassungen über natürliche Sprache abzurufen.

Derzeit sind Text‑zu‑SQL‑Methoden nicht für kontinuierliche morphologische Intentionen wie Formen oder Anomalien ausgelegt, während klassische Zeitreihenmodelle Schwierigkeiten haben, mit extrem langen Historien umzugehen. Sonar-TS löst diese Probleme, indem es einen „Search‑Then‑Verify“-Ansatz nutzt, der an aktives Sonar erinnert.

Im ersten Schritt durchsucht ein Feature‑Index mithilfe von SQL potenzielle Fensterbereiche, die den sprachlichen Anforderungen entsprechen. Anschließend generiert das System Python‑Programme, die diese Kandidaten gegen die Rohsignale prüfen und so die Genauigkeit der Abfrage erhöhen.

Zur Bewertung des Ansatzes wurde NLQTSBench entwickelt – das erste groß angelegte Benchmark‑Set für natürliche Sprachabfragen über Zeitreihen-Datenbanken mit umfangreichen Historien. Die Experimente zeigen, dass Sonar-TS komplexe zeitliche Abfragen zuverlässig löst, wo herkömmliche Methoden versagen.

Dieses Werk stellt die erste systematische Untersuchung von NLQ4TSDB dar und liefert einen allgemeinen Rahmen sowie einen Evaluationsstandard, der zukünftige Forschungsarbeiten in diesem Bereich erleichtert.