TimeMar: Mehrstufiges autoregressives Modell erzeugt hochwertige Zeitreihen

Generative Modellierung bietet eine vielversprechende Lösung für Datenknappheit und Datenschutzprobleme in der Zeitreihenanalyse. Trotz dieser Fortschritte bleiben die strukturelle Komplexität von Zeitreihen – geprägt von mehrstufigen zeitlichen Mustern und heterogenen Komponenten – bislang unzureichend adressiert.

TimeMar präsentiert ein struktur-disentangled Multiscale-Generierungsframework, das Sequenzen in diskrete Tokens auf mehreren zeitlichen Auflösungen kodiert und die autoregressive Erzeugung in einem coarse‑to‑fine‑Ansatz durchführt. Auf diese Weise werden hierarchische Abhängigkeiten erhalten und die Modellierung mehrstufiger Strukturen verbessert.

Ein zentrales Element ist der Dual‑Path VQ‑VAE, der Trend‑ und saisonale Komponenten trennt und damit semantisch konsistente latente Repräsentationen lernt. Diese Trennung ermöglicht es dem Modell, die unterschiedlichen Dynamiken einer Zeitreihe gezielt zu erfassen.

Zur Rekonstruktion wird eine guidance‑basierte Strategie eingesetzt: grobe saisonale Signale dienen als Priors, um die feinen saisonalen Muster präziser zu rekonstruieren. Dieser Ansatz führt zu einer verbesserten Detailgenauigkeit ohne Verlust der globalen Struktur.

In Experimenten auf sechs unterschiedlichen Datensätzen übertraf TimeMar bestehende Methoden in der Qualität erzeugter Zeitreihen. Das Modell erreicht diese Ergebnisse mit deutlich weniger Parametern und zeigt eine herausragende Fähigkeit, hochwertige Langzeitsequenzen zu generieren.

Die Implementierung ist frei verfügbar unter https://anonymous.4open.science/r/TimeMAR-BC5B.