Zeitreihenprognosen sind eine Methode des maschinellen Lernens und der statistischen Analyse, die historische Zeitreihendaten nutzt, um zukünftige Trends oder Zustände abzuleiten. Diese Methode analysiert typischerweise Zeitreihendatensätze und untersucht Trends, Periodizität, Saisonalität und Anomalien, um Vorhersagemodelle zu erstellen, die potenzielle Datenänderungen über einen zukünftigen Zeitraum abschätzen. Zeitreihenprognosen finden breite Anwendung in der Wirtschaftsanalyse, im Energiemanagement, in der Wettervorhersage, in der industriellen Überwachung und in der Ressourcenallokation.

Die Entwicklung der Zeitreihenprognose blickt auf eine lange Geschichte zurück, deren theoretische Grundlage in statistischen Zeitreihenanalysemethoden wie den klassischen autoregressiven Modellen (AR), den gleitenden Mittelwertmodellen (MA) und ARIMA liegt. Diese Methoden prognostizieren zukünftige Zustände, indem sie statistische Muster in den Datenveränderungen über die Zeit erkennen. Mit der Entwicklung von maschinellem Lernen und Deep Learning nutzen Forscher zunehmend neuronale Netze, um komplexere nichtlineare Zeitabhängigkeiten zu erfassen und die Zeitreihenprognose so von statistischen Modellen hin zu datengetriebenen Methoden weiterzuentwickeln.

Im Jahr 2021 veröffentlichten Forscher der Universität für Luft- und Raumfahrt Peking, der Universität von Kalifornien, Berkeley, und anderer Institutionen eine Arbeit... Informer: Mehr als nur ein effizienter Transformator für die Prognose langer Zeitreihen Diese Arbeit stellt das Informer-Modell vor, das die Herausforderungen hoher Rechenkosten und der Schwierigkeit der Modellierung von Fernabhängigkeiten bei der Vorhersage langer Zeitreihen mithilfe des Transformer-Modells adressiert. Es führt Methoden wie ProbSparse Attention und Destillationsmechanismen ein, um die Effizienz des Transformers bei der Verarbeitung langer Zeitreihen zu verbessern. Diese Forschung zählt zu den wichtigsten Arbeiten auf dem Gebiet der Transformer-basierten Vorhersage langer Zeitreihen.

Moderne Zeitreihenprognosemodelle lernen typischerweise Trends, Saisonalitäten, zyklische Veränderungen und Zusammenhänge zwischen Variablen aus historischen Daten. Je nach Aufgabenstellung können Modelle statistische Methoden, maschinelle Lernverfahren, rekurrente neuronale Netze (RNNs), Convolutional Neural Networks (CNNs), Transformer und, in jüngerer Zeit, grundlegende Modelle für groß angelegte Zeitreihen einsetzen. Die Zeitreihenprognose befasst sich primär mit der Schätzung zukünftiger Zustände in dynamischen Systemen und ermöglicht es Computern, auf Basis vorhandener Daten Analysen durchzuführen und Entscheidungen zu treffen. Aktuell findet diese Technologie breite Anwendung in der Finanzmarktanalyse, der Wettervorhersage, der Lastprognose, der Verkehrsflussprognose, im Supply-Chain-Management und in der Instandhaltung von Industrieanlagen und liefert Datengrundlagen für die Planung und Optimierung komplexer Systeme.