DDTime: Datensatz‑Distillation für Zeitreihen mit Spektral‑Alignment

Die Vorhersage von Zeitreihen ist in vielen Bereichen unverzichtbar, erfordert jedoch häufig große Datensätze und intensive Rechenleistung. DDTime bietet eine kompakte Alternative, indem es synthetische Datensätze erzeugt, die das Lernverhalten kompletter Datensätze reproduzieren. Dabei adressiert die Methode zwei zentrale Probleme: Erstens die Verzerrung durch starke Autokorrelation, die die Ausrichtung von Wert‑Termen zwischen Lehrer‑ und Schülermodellen stört. Zweitens die mangelnde Vielfalt der synthetischen Samples, weil keine expliziten kategorialen Priors vorhanden sind, die die Trajektorienvielfalt regulieren.

DDTime ist ein leichtgewichtiges Plug‑in‑Framework, das auf der ersten‑Ordnung‑Condensation‑Decomposition basiert. Um die Autokorrelations‑Verzerrung zu bekämpfen, nutzt es temporale Statistiken und führt ein Frequenz‑Domain‑Alignment ein, das die spektrale Konsistenz und die zeitliche Treue sicherstellt. Für die Steigerung der Vielfalt wird ein Inter‑Sample‑Regularisierungskonzept eingeführt, das vom Informationsbottleneck‑Prinzip inspiriert ist und die Informationsdichte über die synthetischen Trajektorien maximiert.

Die kombinierte Zielfunktion ist theoretisch mit einer breiten Palette von Condensation‑Paradigmen kompatibel und ermöglicht stabile erste‑Ordnung‑Optimierungen. Umfangreiche Experimente auf zwanzig Benchmark‑Datensätzen und verschiedenen Forecasting‑Architekturen zeigen, dass DDTime konsequent bestehende Ansätze übertrifft und damit einen bedeutenden Fortschritt in der effizienten Zeitreihen‑Vorhersage darstellt.