Baguan-TS: Neuer Transformer für Zeitreihen mit Kontextlernen

Forscher haben einen bahnbrechenden Ansatz für die Vorhersage von Zeitreihen vorgestellt: Baguan-TS. Dieser Transformer nutzt In‑Context‑Learning (ICL), um sich ohne Gradientenanpassung schnell an neue Daten anzupassen. Während bisherige ICL‑Methoden auf handgefertigten, tabellarisierten Merkmalen basieren, integriert Baguan-TS die rohe Sequenzdarstellung direkt in das Modell.

Der Kern von Baguan-TS ist ein 3‑D‑Transformer, der gleichzeitig über die Achsen Zeit, Variable und Kontext hinweg agiert. Damit wird die Lücke zwischen reinen Sequenzmodellen und ICL‑Ansätzen geschlossen. Um die hohe Kapazität des Modells praktikabel zu machen, wurden zwei zentrale Herausforderungen gelöst: erstens eine feature‑agnostische, zielraum‑basierte lokale Kalibrierung zur Verbesserung der Stabilität, und zweitens eine Strategie zur Vermeidung von Überglättung der Ausgaben.

Auf öffentlichen Benchmarks mit Kovariaten übertrifft Baguan-TS etablierte Baselines konsequent. Es erzielt die höchste Gewinnrate und reduziert sowohl punktuelle als auch probabilistische Fehler signifikant. Zusätzliche Tests an realen Energiesystemen zeigen, dass das Modell robust bleibt und erhebliche Leistungssteigerungen liefert.