Neues Tool FLAIRR-TS verbessert Zeitreihen‑Vorhersagen mit LLMs ohne Feinabstimmung

Die Vorhersage von Zeitreihen mit großen Sprachmodellen (LLMs) erfordert die Verbindung von numerischen Mustern und natürlicher Sprache. Traditionell ist dafür umfangreiche Vorverarbeitung und Feinabstimmung nötig, um brauchbare Ergebnisse zu erzielen.

Neueste Untersuchungen zeigen, dass ein unverändertes LLM die Leistung spezialisierter Vorhersagewerkzeuge erreichen kann, wenn es mit einem sorgfältig gestalteten, sprachbasierten Prompt versorgt wird. Das Problem bleibt jedoch, dass die Erstellung eines solchen Prompts für jede Aufgabe mühsam und unstrukturiert ist.

FLAIRR‑TS ist ein Test‑Time‑Prompt‑Optimierungsframework, das ein agentisches System nutzt: Ein „Forecaster“-Agent erstellt zunächst Vorhersagen anhand eines Ausgangsprompts. Anschließend wird dieser Prompt von einem „Refiner“-Agenten verfeinert, der auf vergangenen Ausgaben und abgerufenen Analogien basiert. Durch diese adaptive Prompt‑Optimierung lassen sich über verschiedene Domänen hinweg hochwertige Vorhersagen generieren, ohne dass Zwischenschritte wie Code‑Generierung erforderlich sind.

Experimentelle Ergebnisse auf Standard‑Benchmark‑Datensätzen zeigen, dass FLAIRR‑TS die Genauigkeit gegenüber statischen Prompts und retrieval‑augmentierten Baselines verbessert und die Leistung spezialisierter Prompts annähernd erreicht. Das Tool bietet damit eine praktikable Alternative zur Feinabstimmung und erzielt starke Ergebnisse durch agentische Prompt‑Verfeinerung und Retrieval.