Zeitreihen-Foundation-Models: Anwendungsfälle & Vorteile

Zeitreihen-Foundation-Models (TSFMs) sind vortrainierte Models, die Zeitreihendaten prognostizieren, klassifizieren, imputieren und Anomalien erkennen, ohne für jedes Dataset oder jede Branche ein separates Model zu benötigen. TSFMs verwenden Transformer-basierte Architekturen und umfangreiche Zeitreihen-Datasets, um über Domänen wie Finanzen, Einzelhandel, Energie und Gesundheitswesen zu generalisieren.

Entdecken Sie die Architektur, Anwendungsfälle, branchenweite Einführung, Vorteile, Herausforderungen und Vergleiche von Zeitreihen-Foundation-Models mit bestehenden Models:

Was sind Zeitreihen-Foundation-Models?

TSFMs wenden Trainingsmethoden von Foundation-Models auf sequenzielle numerische Daten an und verwenden Architekturen, die zeitliche Muster aus großen Zeitreihensammlungen lernen können. Anstatt für jedes Prognoseproblem ein separates Model zu trainieren, können sie an Aufgaben wie Prognose, Anomalieerkennung, Imputation und Klassifikation angepasst werden.

Führende TSFMs sind:

Amazon Chronos-2

Amazon Chronos-2 ist ein reines Encoder-Model, das von der T5-Encoder-Architektur abgeleitet ist und mehrere zehn Millionen Downloads von Hugging Face erreicht hat.¹

Salesforce Moirai-2

Salesforce Moirai-2 verwendet eine Decoder-only-Transformer-Architektur, die auf dem LOTSA-Dataset mit 27 Milliarden Beobachtungen trainiert wurde.

Sundial

Sundial, entwickelt von Forschern an der Tsinghua University, hat marktführende Ergebnisse auf dem TimeBench-Dataset.

TimesFM-2.5

TimesFM-2.5 ist Googles neuestes Model in der TimesFM-Serie. Es ist ein vortrainiertes Model mit ~200M Parametern und 16k Kontextlänge, trainiert auf einem Korpus realer Zeitreihendatenpunkte. ² Verglichen mit Large Language Models (LLMs) bietet es eine kompakte Größe, schnelle Inference und einen Fokus auf Zeitreihendaten.

Architektur und Training

TimesFM übernimmt die Decoder-only-Transformer-Architektur aus Language Models: gestapelte kausale Self-Attention- und Feedforward-Schichten erzeugen die folgende Ausgabe, konditioniert auf den vergangenen Kontext.

Anders als bei Text stellt das Model eine Sequenz als Patches zusammenhängender Zeitpunkte dar; jeder Patch wird (über einen MLP-Residualblock plus Positionskodierungen) eingebettet und als Token behandelt. Eine wichtige Designentscheidung besteht darin, eine längere Ausgabe-Patch-Länge als die Eingabe-Patch-Länge vorherzusagen, was iterative Schritte bei der Inference reduziert und die Fehlerakkumulation über lange Horizonte begrenzt.

Für das Model-Training mischt Google synthetische Daten (um grundlegende zeitliche „Grammatik“ zu lehren) mit einem großen, vielfältigen Dataset realer Zeitreihen (z. B. Google Trends und Wikipedia-Seitenaufrufe), um den Transfer zu verbessern. Der gesamte Pretraining-Umfang liegt in der Größenordnung von 100B Zeitpunkten.

Abbildung 1: Diagramm, das die Architektur von TimesFM zeigt.³

Evaluierung und Ergebnisse

Google evaluierte TimesFM im reinen Zero-Shot-Modus über öffentliche Benchmarks hinweg. Im Monash Forecasting Archive übertrifft TimesFM die meisten statistischen Models (z. B. ARIMA, ETS) und erreicht oder übertrifft mehrere Deep Learning-Baselines, die auf der Zielserie trainiert wurden.

Auf langfristigen Aufgaben (z. B. ETT-Datasets) konkurriert die Zero-Shot-Genauigkeit von TimesFM mit überwachten Baselines (z. B. PatchTST, das pro Dataset trainiert wird) und schlägt promptbasierte LLM-Forecaster. Zu den Metriken gehören skalierte MAE und geometrische Mittelwert-Zusammenfassungen über Datasets hinweg.³

Wesentliche Merkmale und Architektur von TSFMs

Die Transformer-Architektur von TSFMs nutzt Self-Attention, Residualverbindungen und lineare Schichten, um langfristige Abhängigkeiten und Saisonalitätsmuster zu modellieren. Eingabe-Patches werden über ein Multilayer-Perceptron in Embeddings transformiert, während Positionskodierungen die zeitliche Reihenfolge bewahren.

Im Vergleich zu anderen Foundation-Models sind diese Architekturen für Prognoseaufgaben und nicht für Text- oder Bildverarbeitung angepasst.

Abbildung 2: Diagramm, das verschiedene Anpassungstechniken zeigt.⁴

Was sind die primären Anwendungsfälle?

Prognose

TSFMs verwenden historische Zeitreihenwerte und, sofern vom Model unterstützt, zusätzliche Eingaben wie Wetter, Werbeaktionen, Feiertage oder andere Variablen. Dadurch können sie Beziehungen über mehrere Signale hinweg abbilden, anstatt sich auf eine einzelne Zielserie zu verlassen.

Klassifikation

TSFMs verwenden Transformer-basierte Models, um charakteristische Strukturen wie Arrhythmien in medizinischen Daten oder ungewöhnliche Nachfragespitzen im Einzelhandel zu erkennen.

Imputation

TSFMs rekonstruieren fehlende Intervalle, indem sie Muster nutzen, die während des einheitlichen Trainings aus verschiedenen Datasets gelernt wurden.

Anders als bei einfacher Interpolation bleiben sie konsistent mit Saisonalität und Trends. Zu den Anwendungen gehören das Schließen von Lücken in Energieverbrauchsprotokollen oder medizinischen Überwachungsdaten, bei denen fehlende Informationen nachgelagerte Prognoseaufgaben beeinträchtigen können.

Anomaly-Erkennung

TSFMs können die Anomalieerkennung unterstützen, indem sie ihre gelernten Zeitreihenrepräsentationen oder Rekonstruktionsausgaben in Anomalie-Scores umwandeln. Beispielsweise verwendet MOMENT einen rekonstruktionsbasierten Ansatz, bei dem der mittlere quadratische Fehler zwischen der beobachteten und der vorhergesagten Zeitreihe als Anomaliekriterium dient.⁵

Dieser Ansatz kann den Bedarf an aufgabenspezifischen Anomalie-Labels reduzieren, sollte jedoch für jedes Dataset weiterhin mit traditionellen Anomalieerkennungsmethoden evaluiert werden.

Branchen, die TSFMs einsetzen

Einzelhandel

Im Einzelhandel sind TSFMs vor allem für die Nachfrageprognose auf SKU- oder Filialebene relevant, wo sich Verkaufsmuster durch Feiertage, Preisgestaltung, Werbeaktionen, Lagerausfälle und regionale Saisonalität ändern können.

Ihre Nützlichkeit hängt davon ab, ob das Model externe Variablen unterstützt. Beispielsweise kann TimeGPT exogene Variablen wie Preise, Werbeaktionen und Feiertagsindikatoren verwenden.⁶

Ein weiteres Beispiel, Lag-Llama, ist als univariates probabilistisches Prognose-Model konzipiert. Dies bedeutet, dass TSFMs nicht als eine einzige Klasse beschrieben werden sollten, die immer einzelhandelsspezifische Treiber berücksichtigt.⁷

Ein praktischerer Anwendungsfall im Einzelhandel besteht darin, TSFMs als wiederverwendbare Prognose-Baselines auf Nachfrage-Datasets zu testen und sie dann vor der Bereitstellung mit bestehenden statistischen, Machine-Learning- oder domänenspezifischen Prognose-Models zu vergleichen.

Finanzen

In finanziellen Zeitreihen sind TSFMs vor allem für Aufgaben relevant, bei denen historische Daten begrenzt, verrauscht oder von Regimewechseln betroffen sind. Dazu gehören die Prognose neu notierter Vermögenswerte, die Schätzung kurzfristiger Volatilität und die Identifizierung ungewöhnlicher Transaktionen oder Marktmuster.

Einzelmarkt-Models wie ARIMA, GARCH oder LSTM-basierte Forecaster können weniger zuverlässig werden, wenn sich die Datenverteilung nach Zinsänderungen, Liquiditätsschocks, makroökonomischen Ankündigungen oder Marktstressereignissen ändert. TSFMs begegnen dieser Einschränkung, indem sie Muster übertragen, die aus breiteren Zeitreihen-Datasets gelernt wurden; ihre Ergebnisse erfordern jedoch weiterhin Backtesting, da Finanzdaten stark nichtstationär sind.

Mögliche Finanz-Anwendungsfälle umfassen Vermögenspreisprognosen, Volatilitätsprognosen, Portfoliorisikoüberwachung sowie Betrugs- oder Transaktionsanomalieerkennung.

Gesundheitswesen

TSFMs lernen sowohl aus klinischen als auch aus synthetischen Daten und ermöglichen Frühwarnsysteme, die sich an patientenspezifische Baselines anpassen. Über die Überwachung hinaus unterstützen sie Forschung und Entdeckung in Arzneimittelstudien, indem sie subtile zeitliche Muster über große Datasets hinweg identifizieren.

Energie

Anders als traditionelle Methoden, die feste saisonale Muster annehmen, bewältigen TSFMs variable Bedingungen wie die erneuerbare Erzeugung.

Sie kombinieren Verbrauchshistorien mit exogenen Variablen wie Temperatur und Windgeschwindigkeit und erzeugen probabilistische Zeitreihen-Prognoseausgaben für den Netzausgleich. Die Recheneffizienz ist hier relevant, da kleine Zeitmischer lokalisierte Prognosen zu geringeren Kosten liefern. Weitere Informationen finden Sie unter KI-Anwendungen für Nachhaltigkeit.

Transportwesen

TSFMs, die auf vielfältigen Datasets trainiert wurden, können mit minimaler Fine-Tuning-Anpassung über Regionen hinweg transferiert werden. Beispiele aus der Praxis sind Stauprognosen in städtischen Gebieten und die Optimierung von Lieferrouten in der Logistik.

Fertigung

TSFMs bewältigen langfristige Abhängigkeiten über Sensoren und Produktionszyklen hinweg und verbessern die frühe Fehlererkennung.

Nach dem Fine-Tuning mit anlagenspezifischen Daten erzielen sie eine verbesserte Leistung bei der Reduzierung von Ausfallzeiten und der Sicherstellung der Qualitätskontrolle.

Wetter und Klima

Die Wetter- und Klimamodellierung erfordert die Verwaltung mehrerer Prognosehorizonte, von Stunden bis zu Jahren. Statistische Models und traditionelle Methoden erfassen oft nicht die multiskalige Variabilität.

TSFMs können durch ihre Transformer-Architektur und Self-Attention-Mechanismen sowohl lokale als auch globale Abhängigkeiten abbilden. Beispiele sind kurzfristige Niederschlagsprognosen und Klimazyklusvorhersagen. Probabilistische Zeitreihenprognosen helfen, die Unsicherheit in diesen Ergebnissen zu quantifizieren.

Vorteile von Zeitreihen-Foundation-Models

Zu den wichtigsten Vorteilen von TSFMs im Vergleich zu bestehenden Models gehören:

• Zero-Shot-Performance: Starke Ergebnisse auf ungesehenen Datasets ohne Fine-Tuning-Anpassung.
• Reduzierte Trainingskosten: Wiederverwendung eines Models über Domänen hinweg anstatt separater Models.
• Domänengeneralisierung: Ein Model passt sich mithilfe von Transfer-Lernen und Few-Shot-Lernern an unterschiedliche Kontexte an.
• Recheneffizienz: Kleiner als große Foundation-Models im NLP und dennoch mit verbesserter Leistung.
• Vielseitigkeit: Bewältigung unterschiedlicher Prognosehorizonte, Granularitäten und Ausgabe-Patch-Längen.

Herausforderungen von TSFMs

Technische Herausforderungen

Knappheit an Trainingsdaten: Anders als Text für Language Models sind die verfügbaren öffentlichen Datasets für Zeitreihendaten kleiner. Es gibt jedoch inzwischen Datasets wie das Large-scale Open Time Series Archive (LOTSA) mit Milliarden von Beobachtungen über mehrere Domänen hinweg.⁸

Fehlen einer universellen Struktur: Kein Äquivalent zu Vokabular oder Grammatik.

Komplexe zeitliche Dynamik: Unterschiedliche Saisonalitätsmuster und Verläufe.

Domänenspezifität: Unterschiedliche Abtastraten und Verhaltensweisen in verschiedenen Branchen.

Praktische Herausforderungen

• Datenschutzbedenken bei der Erhebung vielfältiger Datasets.
• Hohe Anforderungen an die Recheneffizienz für das Model-Training.
• Verteilungsverschiebung in sich verändernden Umgebungen.
• Interpretierbarkeit und Transparenz in realen Anwendungen.
• Integration in Legacy-Systeme und zugehörige Workflow-Pipelines.

Verpassen Sie nicht unsere Benchmarks und datengestützten Erkenntnisse. Die Schaltfläche öffnet Google; die Auswahl von AIMultiple bestätigt, dass Sie AIMultiple häufiger in den Google-Suchergebnissen sehen möchten.

Als bevorzugte Quelle hinzufügen

Zeitreihen-Foundation-Models: Entwicklungs- und Designfaktoren

Zeitreihen-Foundation-Models: Ergebnisse und operative Faktoren

Unterschiede zu anderen Foundation-Models

TSFMs unterscheiden sich in mehrfacher Hinsicht von Language Models und visuellen Foundation-Models:

• Datenmodalität: Sequentielle numerische Daten statt Text oder Bildern.
• Architektur: Angepasste Transformer-basierte Architekturen mit Patching und Normalisierung (z. B. reversible Instanznormalisierung).
• Trainingsansatz: Einbeziehung sowohl synthetischer Daten als auch realer Korpora, wie der Google Research-Datasets.
• Skalierung: Kleiner als große Foundation-Models und dennoch hochwertige Punktprognosen.
• Evaluierung: Benchmarking bei Prognoseaufgaben, Anomalieerkennung und Imputation anstelle von Textverständnis.

Diese Forschung zitieren

Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.

@misc{ermut2026,
  author = {Ermut, Sıla},
  title  = {{Zeitreihen-Foundation-Models: Anwendungsfälle & Vorteile}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/time-series-foundation-models}},
  note   = {AIMultiple. Abgerufen am 12. Juni 2026}
}

Referenzlinks

1.

amazon/chronos-2 · Hugging Face

2.

GitHub - google-research/timesfm: TimesFM (Time Series Foundation Model) is a pretrained time-series foundation model developed by Google Research for time-series forecasting. · GitHub

3.

A decoder-only foundation model for time-series forecasting

4.

https://arxiv.org/pdf/2403.14735v3

5.

MOMENT: A Family of Open Time-series Foundation Models

6.

https://arxiv.org/pdf/2310.03589

7.

https://arxiv.org/pdf/2310.08278

8.

Salesforce/lotsa_data · Datasets at Hugging Face

Salesforce AI Research

Sıla Ermut

Branchenanalystin

Folgen auf

Sıla Ermut ist eine Branchenanalystin bei AIMultiple und deckt KI-Modelle, KI-Infrastruktur, KI-Governance und Unternehmensanwendungen von KI ab. Ihre Forschung konzentriert sich überwiegend auf den Einsatz von KI in Marketing, Gesundheitswesen, Lieferketten und Nachhaltigkeit. Zuvor war sie als Recruiterin in Projektmanagement- und Beratungsunternehmen tätig. Sıla hat einen Master of Science in Sozialpsychologie und einen Bachelor of Arts in Internationale Beziehungen.

Vollständiges Profil anzeigen

Seien Sie der Erste, der kommentiert

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten