CometNet revolutioniert Langzeit‑Vorhersagen von Zeitreihen

In der Welt der Zeitreihenanalyse ist die Vorhersage über lange Zeiträume entscheidend, doch bisherige Modelle stoßen an ihre Grenzen. Der Hauptgrund liegt im sogenannten „Rezeptionsfeld‑Engpass“, der die Fähigkeit einschränkt, weitreichende Abhängigkeiten zu erfassen. Traditionelle Transformer‑ und MLP‑basierte Ansätze nutzen meist feste Rückblickfenster, wodurch wichtige langfristige Muster übersehen werden. Eine bloße Verlängerung dieser Fenster führt zu enormen Rechenaufwand und verwischt die relevanten Signale mit historischem Rauschen.

Um diese Herausforderungen zu überwinden, präsentiert die neue Arbeit CometNet – ein innovatives Framework, das auf kontextualen Motiven basiert. Zunächst extrahiert ein spezielles Modul wiederkehrende, dominante Motive aus komplexen historischen Sequenzen. Diese Motive liefern ein deutlich erweitertes Zeitverständnis, das weit über die üblichen Rückblickfenster hinausgeht.

Im Anschluss integriert ein weiteres Modul diese extrahierten Motive in die eigentliche Vorhersage. Durch die dynamische Zuordnung des Rückblickfensters zu den relevanten Motiven nutzt CometNet die kontextuelle Information optimal aus und stärkt damit die Langzeit‑Vorhersagekraft. Umfangreiche Experimente an acht realen Datensätzen zeigen, dass CometNet die aktuellen Spitzenmodelle deutlich übertrifft, insbesondere bei längeren Prognosehorizonten.