Zeitreihen‑Vorhersage neu: 2D‑Gaussian‑Splatting liefert Rekordleistung

Die Vorhersage von Zeitreihen bleibt ein komplexes Problem, weil sich kurzfristige Schwankungen und langfristige Trends eng verflechten. Traditionelle Ansätze versuchen, 1‑D‑Sequenzen in 2‑D‑Darstellungen zu überführen, doch dabei entstehen zwei wesentliche Schwächen: Erstens wird die zeitliche Kontinuität an den Rändern der Rasterkarte unterbrochen, weil herkömmliche Bildoperatoren die Chronologie ignorieren. Zweitens führen feste, gleichgroße Darstellungen zu einer ineffizienten Nutzung der Modellkapazität und können nicht die nötige adaptive Auflösung für komprimierbare, nicht‑stationäre Muster bieten.

Um diese Grenzen zu überwinden, präsentiert das neue Framework TimeGS. Es wandelt die Aufgabe der Vorhersage von einer linearen Regression in ein 2‑D‑generatives Rendering um. Dabei wird die zukünftige Sequenz als kontinuierliche latente Oberfläche modelliert, die mithilfe anisotroper Gauß‑Kerne flexibel komplexe Variationen abbildet. Diese Kerne passen sich geometrisch an die Daten an, wodurch die Modellierung effizienter und genauer wird.

Ein zentraler Baustein ist der Multi‑Basis Gaussian Kernel Generation (MB‑GKG) Block. Er erzeugt die benötigten Kerne aus einer festen Wörterbuch‑Basis, was die Optimierung stabilisiert und die Lernzeit verkürzt. Ergänzend sorgt der Multi‑Period Chronologically Continuous Rasterization (MP‑CCR) Block dafür, dass die zeitliche Kontinuität über periodische Grenzen hinweg strikt eingehalten wird, sodass die generierte Oberfläche wirklich eine zusammenhängende Zeitreihe darstellt.

Umfangreiche Tests auf etablierten Benchmark‑Datensätzen zeigen, dass TimeGS die bisherige Spitzenleistung übertrifft. Das neue Paradigma der generativen 2‑D‑Darstellung eröffnet damit einen vielversprechenden Weg für zukünftige Entwicklungen in der Zeitreihen‑Vorhersage.