TEFL: Residualbasierte Vorhersageoptimierung steigert Genauigkeit um 19,5 %

Die Vorhersage von Zeitreihen ist in Bereichen wie Verkehr, Energieversorgung und Meteorologie unverzichtbar. Trotz der beeindruckenden Leistungen moderner Deep‑Learning‑Modelle fehlt ihnen häufig ein entscheidender Baustein: die Nutzung von Residuen aus vorherigen Vorhersagen.

Residuals – die Differenzen zwischen vorhergesagten und tatsächlichen Werten – enthalten wertvolle Hinweise auf systematische Fehler, unmodellierte Muster oder sich verändernde Dynamiken. TEFL (Temporal Error Feedback Learning) nutzt diese Informationen gezielt, indem es sie während Training und Evaluation in den Lernprozess einbindet.

Um die Methode in tiefen, mehrstufigen Modellen praktikabel zu machen, löst TEFL drei zentrale Herausforderungen: (1) die Auswahl beobachtbarer Residuen trotz partieller Beobachtbarkeit, (2) die Integration über einen leichten Low‑Rank‑Adapter, um Effizienz und Generalisierung zu sichern, und (3) ein zweistufiges Trainingsverfahren, das Vorhersager und Fehler‑Modul gleichzeitig optimiert.

In umfangreichen Tests mit zehn realen Datensätzen und fünf unterschiedlichen Backbone‑Architekturen konnte TEFL die mittlere absolute Fehlerquote (MAE) im Durchschnitt um 5 % bis 10 % senken. Besonders bei abrupten Änderungen oder Verteilungssprüngen erreichte die Fehlerreduktion bis zu 19,5 % – ein deutlicher Vorteil gegenüber herkömmlichen Ansätzen.

Durch die direkte Einbettung von Residual‑Feedback in den Lernprozess bietet TEFL eine einfache, generelle und wirkungsvolle Verbesserung für moderne Deep‑Forecasting‑Systeme, ohne die Komplexität der Modelle signifikant zu erhöhen.