ReIMTS: Rekursive Modelle steigern Vorhersagen von Zeitreihen um 27 %

Ein neues Verfahren namens ReIMTS hat die Vorhersagegenauigkeit von unregelmäßigen multivariaten Zeitreihen (IMTS) deutlich verbessert. Im Gegensatz zu bisherigen Ansätzen, die häufig Resampling einsetzen und dadurch die ursprünglichen Zeitstempel verändern, bleibt bei ReIMTS die Zeitachse unverändert. Stattdessen werden die Daten rekursiv in Teilmengen mit immer kürzeren Zeiträumen aufgeteilt, wodurch die natürlichen Abstände zwischen den Messpunkten erhalten bleiben.

Durch die Kombination dieser Teilmengen mit einem „irregularity‑aware“ Repräsentations‑Fusion-Mechanismus kann das Modell sowohl globale als auch lokale Abhängigkeiten zwischen den Variablen erfassen. Dieser Ansatz nutzt die wertvollen Informationen, die in den unregelmäßigen Abständen selbst liegen, und verhindert, dass wichtige Muster durch Resampling verloren gehen.

In umfangreichen Experimenten zeigte ReIMTS eine durchschnittliche Leistungssteigerung von 27,1 % gegenüber bestehenden Multi‑Scale‑Methoden. Die Verbesserungen gelten über verschiedene Modelle hinweg und wurden an realen Datensätzen getestet. Der Quellcode ist öffentlich verfügbar unter https://github.com/Ladbaby/PyOmniTS.