XLinear: MLP-Modell liefert präzise Langzeitprognosen mit exogenen Daten

In einer neuen Veröffentlichung präsentiert das Forschungsteam das Modell XLinear, ein leichtgewichtiges MultiLayer Perceptron (MLP), das speziell für Langzeitvorhersagen von Zeitreihen mit exogenen Eingaben entwickelt wurde.

Traditionelle Prognosemodelle gehen häufig von einer gleichmäßigen Wichtigkeit aller Variablen aus, was in realen Anwendungen nicht zutrifft. Oft wirken kostengünstige exogene Daten – etwa lokale Wetterbedingungen – asymmetrisch auf endogene Variablen wie die Oberflächentemperatur von Seen. Transformer-basierte Ansätze können zwar lange Abhängigkeiten erfassen, sind jedoch rechenintensiv und zeigen Permutationsinvarianz. Patch-basierte Varianten verbessern die Effizienz, verlieren dabei jedoch lokale zeitliche Muster.

XLinear löst diese Probleme, indem es einen globalen Token aus einer endogenen Variable als zentralen Knotenpunkt nutzt, um mit exogenen Variablen zu interagieren. Durch den Einsatz von MLPs mit Sigmoid-Aktivierung werden sowohl zeitliche Muster als auch variablenweise Abhängigkeiten extrahiert. Ein abschließender Vorhersagekopf integriert diese Signale, um die endogene Serie präzise zu prognostizieren.

Die Leistungsfähigkeit von XLinear wurde an sieben Standard-Benchmarks sowie an fünf realen Datensätzen mit exogenen Eingaben getestet. Im Vergleich zu aktuellen Spitzenmodellen erzielt XLinear eine überlegene Genauigkeit und Effizienz – sowohl bei multivariaten Vorhersagen als auch bei univariaten Prognosen, die von exogenen Daten beeinflusst werden.