CRAFT: Kanalweise Retrieval verbessert Zeitreihenprognosen

Die Vorhersage mehrdimensionaler Zeitreihen stößt häufig an Grenzen, wenn es darum geht, langfristige Abhängigkeiten zu erfassen. Traditionelle Modelle beschränken sich dabei auf feste Rückblickfenster, wodurch wichtige historische Muster übersehen werden. Retrieval-gestützte Ansätze lösen dieses Problem, indem sie relevante Segmente aus einer Speicherbank abrufen. Allerdings greifen bisherige Methoden auf kanalunabhängige Strategien zurück, die dieselben Referenzen für alle Variablen verwenden und damit die heterogene Natur einzelner Kanäle ignorieren.

CRAFT (Channel‑wise Retrieval‑augmented Forecasting) stellt einen neuartigen Ansatz dar, der die Retrieval‑Phase kanalweise durchführt. Das Verfahren nutzt einen zweistufigen Pipeline-Ansatz: Zunächst wird ein sparsames Beziehungsgraphen im Zeitbereich erstellt, um unwichtige Kandidaten auszuschließen. Anschließend bewertet ein spektraler Ähnlichkeitsmaß im Frequenzbereich die verbleibenden Referenzen, wobei dominante Periodizitäten betont und Rauschen unterdrückt werden. Dieser Fokus auf kanalbezogene Periodizität ermöglicht eine präzisere Rekonstruktion historischer Muster.

In umfangreichen Experimenten auf sieben öffentlichen Benchmark‑Datensätzen hat CRAFT die führenden Baselines übertroffen. Die Ergebnisse zeigen nicht nur eine signifikante Steigerung der Vorhersagegenauigkeit, sondern auch eine praktikable Effizienz bei der Inferenz. Damit demonstriert CRAFT, dass kanalweise Retrieval ein wirkungsvolles Mittel ist, um die Herausforderungen bei der Prognose komplexer Zeitreihen zu meistern.