PRISM: Neue Methode für präzise Langzeitvorhersagen in Zeitreihen

Die Vorhersage von Zeitreihen über lange Zeiträume hinweg stellt Forscherinnen und Forscher vor große Herausforderungen. Dabei müssen nicht nur verrauschte Signale bereinigt, sondern auch sich ständig ändernde Abhängigkeiten zwischen den einzelnen Messreihen erfasst und gleichzeitig physikalisch plausibel gehalten werden.

Mit PRISM – einer Kombination aus einem score-basierten Diffusionspräprozessor, einem dynamischen Graphen-Encoder, der Korrelationen schneidet, und einem Vorhersagekopf, der durch generische Physik-Beschränkungen reguliert wird – wird dieses Problem elegant gelöst. Die Autoren zeigen, dass die durch PRISM induzierten Dynamiken unter milden Bedingungen kontrahieren und liefern Lipschitz-Boundes für die Graphblöcke, was die Robustheit des Modells erklärt.

Auf sechs etablierten Benchmark-Datensätzen erzielt PRISM konsistent den aktuellen Stand der Technik und übertrifft bestehende Modelle deutlich in Bezug auf mittlere quadratische Fehler (MSE) und mittlere absolute Fehler (MAE). Diese Fortschritte markieren einen wichtigen Schritt in Richtung zuverlässiger, langfristiger Zeitreihenprognosen in vielen Anwendungsbereichen.