Shapelets ermöglichen selektive Vorhersagen mit Zeitreihen-Foundation-Modellen

Die neuesten Zeitreihen-Foundation‑Modelle haben in den letzten Monaten stark an Aufmerksamkeit gewonnen, weil sie komplexe Daten aus Bereichen wie Verkehr, Energie und Wetter zuverlässig modellieren können. Trotz ihrer beeindruckenden Zero‑Shot‑Leistung liefern sie jedoch nicht immer verlässliche Vorhersagen in kritischen Datenregionen, was ihre praktische Anwendbarkeit einschränkt.

In der vorliegenden Studie wird ein selektives Vorhersage‑Framework vorgestellt, das diese problematischen Segmente mithilfe von Shapelets erkennt. Shapelets werden dabei durch shift‑invariante Dictionary‑Learning auf dem Validierungs‑Split des Ziel‑Datensatzes gelernt. Durch die Berechnung der distanzbasierten Ähnlichkeit zu diesen Shapelets kann der Anwender gezielt unzuverlässige Vorhersagen ausschließen und erhält gleichzeitig ein realistisches Bild der Modellfähigkeiten.

Die experimentellen Ergebnisse auf vielfältigen Benchmark‑Datensätzen zeigen, dass der Ansatz sowohl bei Zero‑Shot‑ als auch bei vollständig feinabgestimmten Modellen die Gesamtfehlerquote um durchschnittlich 22,17 % bzw. 22,62 % senkt. Darüber hinaus übertrifft die selektive Methode die zufällige Auswahl um bis zu 21,41 % bzw. 21,43 % auf einem der getesteten Datensätze.