Neues Modell für in‑Kontext‑Zeitreihen: Vorhersagen ohne Feinabstimmung

Ein neues, auf Quantile‑Regression basierendes T5‑Encoder‑Decoder-Modell eröffnet die Möglichkeit, Zeitreihenvorhersagen und verwandte Aufgaben direkt im In‑Context-Lernen zu lösen. Durch die Verwendung von expliziten, instruktionsbasierten Demonstrationen kann das System bei der Inferenz ohne zusätzliche Feinabstimmung auf neue Aufgaben reagieren.

Das Modell nutzt eine strukturierte Tokenisierung, die Zielreihen, Kovariaten, Kontext und zukünftige Aufgabeninformationen eindeutig kennzeichnet. Ein hierarchischer Transformer verarbeitet zunächst jede Beispielsequenz einzeln, fusioniert die Beispiele anschließend und nutzt kreuzbeispielhafte Aufmerksamkeitsmechanismen, um die Dekodierung an die gezeigten Demonstrationspaare zu koppeln.

Die Trainingsphase kombiniert große Mengen realer und synthetischer Zeitreihen mit überwachten Vorhersageaufgaben sowie selbstüberwachten Aufgaben wie Imputation, Rekonstruktion, Klassifikation, Anomalieerkennung und Quellenentmischung. Durch diese Multi‑Task‑Strategie lernt das Modell eine Verteilung über Aufgabenabbildungen und verbessert die Anpassungsfähigkeit an lokale Strukturen während der Inferenz.

In umfangreichen Benchmark‑Tests über verschiedene Datensätze, Frequenzen und Horizonte übertrifft das Modell starke Basis‑Foundation‑Modelle bei punktuellen und probabilistischen Vorhersagen, darunter die fev‑Bench- und GIFT‑Eval‑Metriken. Gleichzeitig bleibt es bei Klassifikations- und Anomalieerkennungsaufgaben wettbewerbsfähig, was die Vielseitigkeit des Ansatzes unterstreicht.