Neues Modell ApolloPFN verbessert Zeitreihenprognosen dank exogener Variablen

In vielen Anwendungsfällen von Zeitreihenprognosen – etwa bei Einzelhandelsnachfrage, Energieverbrauch oder Verkehrsaufkommen – stehen neben der Zielserie zusätzliche exogene Faktoren wie Werbeaktionen, Preise, Temperatur oder Kalenderereignisse zur Verfügung. Diese Signale können starke Spitzen, Unterbrechungen oder Phasenwechsel in der Zielserie auslösen. Wenn sie jedoch ignoriert werden, sinkt die Vorhersagegenauigkeit erheblich.

Derzeit nutzen die meisten Basismodelle für Zeitreihen (z. B. Chronos, Sundial, TimesFM, TimeMoE, TimeLLM und LagLlama) ausschließlich die numerische Historie der Zielserie und berücksichtigen keine exogenen Variablen. Das neue Modell ApolloPFN – ein prior‑data‑fitted network (PFN) – löst dieses Problem, indem es sowohl zeitbewusst als auch exogen integriert ist.

Die Autoren stellen zwei wesentliche Neuerungen vor: Erstens ein synthetisches Daten‑Generierungsverfahren, das speziell auf die Schwachstellen von tabellarischen PFNs in Zeitreihenanwendungen abzielt. Zweitens zeitbewusste architektonische Anpassungen, die die nötigen induktiven Biases einbetten, um den Kontext der Zeitreihe optimal zu nutzen.

Durch diese Kombination erzielt ApolloPFN in mehreren Benchmark‑Tests – darunter M5 und die Vorhersage von Strompreisen – bislang die besten Ergebnisse. Damit demonstriert das Modell, wie die Einbeziehung exogener Informationen die Leistungsfähigkeit von Zeitreihenprognosen deutlich steigern kann.