Chronos-2: Fortschritte in der Zeitreihenprognose durch multivariate Ansätze

Chronos-2: Ein Paradigmenwechsel in der universellen Zeitreihenprognose

Die Zeitreihenprognose stellt eine grundlegende Disziplin in zahlreichen Branchen dar, von der Wirtschaft über die Wissenschaft bis hin zum Ingenieurwesen. Traditionelle statistische Modelle und frühere Deep-Learning-Ansätze waren oft auf spezifische, eng definierte Aufgaben zugeschnitten oder extrapolierten aus einzelnen Zeitreihen. Mit dem Aufkommen von Fundamentmodellen hat sich jedoch ein Paradigmenwechsel vollzogen, der eine neue Ära der universellen Prognose einleitet. In diesem Kontext präsentiert sich Chronos-2 als eine bemerkenswerte Weiterentwicklung, die die Grenzen der Zeitreihenprognose neu definiert.

Die Evolution der Zeitreihen-Fundamentmodelle

Fundamentmodelle für Zeitreihen (TSFMs) sind darauf ausgelegt, einmal auf grossen Zeitreihendatensätzen trainiert und anschliessend auf eine Vielzahl von Prognoseproblemen angewendet zu werden. Frühere Modelle wie Chronos und Chronos-Bolt haben bereits gezeigt, welches Potenzial in diesem Ansatz steckt und wurden millionenfach heruntergeladen. Ihre Hauptbeschränkung lag jedoch in der ausschliesslichen Unterstützung von univariaten Prognosen, bei denen jeweils nur eine einzelne Zeitreihe vorhergesagt wird.

Die Realität vieler Geschäftsprozesse und wissenschaftlicher Phänomene ist jedoch komplexer. Sie erfordert die gleichzeitige Vorhersage mehrerer sich gemeinsam entwickelnder Zeitreihen (multivariate Prognose) oder die Berücksichtigung externer Faktoren, die die Ergebnisse beeinflussen (kovariaten-informierte Prognose). Beispiele hierfür sind die gemeinsame Prognose von CPU-Auslastung, Speicherkonsum und I/O-Aktivitäten in Cloud-Infrastrukturen oder die Berücksichtigung von Werbeaktionen und Feiertagen bei der Prognose der Einzelhandelsnachfrage.

Chronos-2: Universalität durch In-Context Learning

Chronos-2 wurde entwickelt, um diese Einschränkungen zu überwinden und beliebige Prognoseaufgaben – ob univariat, multivariat oder kovariaten-informiert – in einem Zero-Shot-Ansatz zu bewältigen. Dies bedeutet, dass das Modell diese Fähigkeiten ohne zusätzliches Training erlangen kann, indem es auf In-Context Learning (ICL) setzt.

Für die multivariate Prognose kann Chronos-2 mehrere sich gemeinsam entwickelnde Zeitreihen gemeinsam vorhersagen und dabei die Abhängigkeiten zwischen ihnen erfassen, was zu einer verbesserten Gesamtgenauigkeit führt. So können beispielsweise Cloud-Betriebsteams Engpässe bei Ressourcen antizipieren, indem sie CPU-Auslastung, Speicherkonsum und Speicher-I/O gemeinsam prognostizieren.

Im Bereich der kovariaten-informierten Prognose ermöglicht Chronos-2 die Einbeziehung externer Faktoren, die die Vorhersagen beeinflussen. Das Modell unterstützt sowohl Kovariaten, die nur in der Vergangenheit bekannt sind (z.B. historisches Verkehrsaufkommen), als auch solche, die für die Zukunft bekannt sind (z.B. geplante Werbeaktionen oder Wettervorhersagen). Es kann auch kategoriale Kovariaten, wie spezifische Feiertage oder Promotionstypen, verarbeiten. Ein Einzelhändler könnte beispielsweise die Nachfrage unter Berücksichtigung geplanter Kampagnen und Feiertagspläne prognostizieren, um Lagerbestände zu optimieren.

Die erweiterten ICL-Fähigkeiten von Chronos-2 verbessern auch die univariate Prognose durch Cross-Learning. Hierbei teilt das Modell Informationen über verschiedene univariate Zeitreihen hinweg, was zu präziseren Vorhersagen führt. Dies ist besonders wertvoll in Cold-Start-Szenarien, bei denen nur minimale historische Daten verfügbar sind, wie beispielsweise bei der Eröffnung eines neuen Logistikzentrums, das Muster bestehender Standorte nutzen kann.

Architektonische Innovationen und Trainingsdaten

Die Entwicklung eines universellen TSFM wie Chronos-2 erforderte Innovationen in zwei Schlüsselbereichen: der Modellarchitektur und den Trainingsdaten. Da die Wechselwirkungen zwischen Variablen in einer ungesehenen Aufgabe a priori nicht bekannt sind, muss das Modell diese aus dem verfügbaren Kontext ableiten.

Ein zentraler Bestandteil der Architektur ist der "Group Attention"-Mechanismus. Dieser Mechanismus ermöglicht den Informationsaustausch innerhalb beliebig grosser Gruppen von Zeitreihen und berücksichtigt so komplexe Interaktionen. Wenn Chronos-2 beispielsweise Cloud-Metriken prognostiziert, können CPU-Nutzungsmuster die Vorhersagen für den Speicherkonsum beeinflussen. Die Gruppenaufmerksamkeit kann auch Kovariaten einbeziehen, indem sie Informationen aus Werbeplänen zur Vorhersage der Nachfrage nutzt.

Ebenso entscheidend wie die Architektur ist der Trainingskorpus. Ein universelles TSFM muss auf heterogenen Zeitreihenaufgaben trainiert werden. Da qualitativ hochwertige Vortrainingsdaten mit multivariaten Abhängigkeiten und informativen Kovariaten jedoch selten sind, wurde auf synthetische Zeitreihendaten zurückgegriffen. Diese wurden erzeugt, indem eine multivariate Struktur auf Zeitreihen angewendet wurde, die aus univariaten Basisgeneratoren entnommen wurden.

Empirische Validierung und praktische Relevanz

Empirische Bewertungen bestätigen die Leistungsfähigkeit von Chronos-2. Auf dem umfassenden Zeitreihen-Benchmark fev-bench, der eine breite Palette von Prognoseaufgaben (univariat, multivariat und kovariaten-informiert) abdeckt, übertrifft Chronos-2 bestehende TSFMs deutlich. Die grössten Verbesserungen wurden bei kovariaten-informierten Aufgaben festgestellt, was die Stärke von Chronos-2 in diesem praktisch wichtigen Umfeld unterstreicht. Auf dem GIFT-Eval-Benchmark belegt Chronos-2 den ersten Platz unter den vorab trainierten Modellen und übertrifft seinen Vorgänger Chronos-Bolt in direkten Vergleichen mit einer Gewinnrate von über 90%.

Die ICL-Fähigkeiten von Chronos-2 positionieren es als ein vielseitiges, universelles Prognosemodell, das "wie besehen" in Produktionspipelines eingesetzt werden kann, wodurch diese erheblich vereinfacht werden. Chronos-2 ist nun quelloffen verfügbar und lädt Forscher sowie Praktiker ein, sich mit diesem Fortschritt im Bereich der Zeitreihen-Fundamentmodelle auseinanderzusetzen.

Zusammenfassende Implikationen für B2B-Anwendungen

Für B2B-Kunden, insbesondere im Bereich der KI-gestützten Content-Erstellung und -Analyse, wie sie Mindverse anbietet, sind die Entwicklungen rund um Chronos-2 von grosser Bedeutung. Die Möglichkeit, Zeitreihenprognosen über verschiedene Dimensionen und unter Berücksichtigung externer Faktoren zu erstellen, eröffnet neue Potenziale für datengestützte Entscheidungen. Dies kann beispielsweise in der Content-Planung, der Optimierung von Marketingkampagnen oder der Vorhersage von Markttrends genutzt werden. Die Zero-Shot-Fähigkeit reduziert den Bedarf an aufwendigem, aufgabenspezifischem Training, was die Implementierung und Skalierung von Prognoselösungen erheblich vereinfacht und beschleunigt.

Bibliography: - Ansari, A. F., Shchur, O., Küken, J., Auer, A., Han, B., Mercado, P., Rangapuram, S. S., Shen, H., Stella, L., Zhang, X., Goswami, M., Kapoor, S., Maddix, D. C., Guerron, P., Hu, T., Yin, J., Erickson, N., Desai, P. M., Wang, H., Rangwala, H., Karypis, G., Wang, Y., & Bohlke-Schneider, M. (2025). Chronos-2: From Univariate to Universal Forecasting. arXiv preprint arXiv:2510.15821. - Amazon Science. (2025, October 20). Introducing Chronos-2: From univariate to universal forecasting. Retrieved from https://www.amazon.science/blog/introducing-chronos-2-from-univariate-to-universal-forecasting - Hugging Face. (n.d.). Chronos-2: From Univariate to Universal Forecasting. Retrieved from https://huggingface.co/papers/2510.15821 - amazon-science. (n.d.). Chronos: Pretrained Models for Probabilistic Time Series Forecasting. GitHub. Retrieved from https://github.com/amazon-science/chronos-forecasting