Deep Learning + Datenaugmentation verbessert Extremwertvorhersagen

Eine neue Veröffentlichung auf arXiv (2510.02407v1) präsentiert ein innovatives Framework zur Vorhersage von Extremwerten. Das Ziel ist es, die Genauigkeit bei der Prognose extremer Ereignisse – von Finanzkrisen bis zu Klimaschwankungen – durch gezielte Datenaugmentation zu steigern.

Im Fokus steht die Kombination von generativen Adversarial Networks (GANs) und der synthetischen Minderheitsüberabtastung (SMOTE). Beide Ansätze dienen dazu, das Datenvolumen zu erhöhen und das Modell besser auf seltene, aber kritische Ereignisse vorzubereiten. Durch die Einbindung einer Relevanzfunktion werden die erzeugten Daten gezielt auf die extremen Bereiche ausgerichtet.

Zur Vorhersage werden zwei Deep‑Learning‑Architekturen eingesetzt: das Convolutional Long Short‑Term Memory (Conv‑LSTM) und das bidirektionale Long Short‑Term Memory (BD‑LSTM). Conv‑LSTM zeigt sich besonders leistungsfähig bei periodischen, stabilen Datensätzen, während BD‑LSTM bei chaotischen oder nicht‑stationären Sequenzen bessere Ergebnisse liefert.

Die Experimente zeigen, dass die SMOTE‑basierte Strategie die höchste Anpassungsfähigkeit aufweist und sowohl Kurz‑ als auch Langzeitvorhersagen verbessert. Die Kombination aus Conv‑LSTM und BD‑LSTM bietet dabei ergänzende Stärken, die je nach Datencharakteristik ausgewählt werden können.