Vortrainiertes mehrskaliges RWKV-GCN für die Vorhersage multivariater Zeitreihen

Warum intelligentere Vorhersagen wichtig sind

Von der Vorhersage des Berufsverkehrs bis zur Balance des Stromnetzes: Viele moderne Systeme sind darauf angewiesen, in die Zukunft zu blicken. Diese Systeme sammeln zeitgleich Messreihen aus vielen Quellen—Temperaturen, Straßensensoren, Stromzähler, Wechselkurse und mehr. Aus diesem Geflecht von Signalen genaue Vorhersagen zu machen, ist schwierig: Jede Reihe verändert sich im Laufe der Zeit, und die Reihen beeinflussen sich gegenseitig. Dieses Papier stellt eine neue Vorhersagemethode vor, genannt PMSRWKV-GCN, die entwickelt wurde, um diese Beziehungen zu entwirren, damit Computer genauere und stabilere Prognosen für die Zukunft erstellen können.

Viele Signale, viele verborgene Muster

In realen Anwendungen haben Prognostiker selten nur eine einzige Kurve vor sich. Das Verkehrsnetz einer Stadt, ein Energiesystem oder die Weltwährungsmärkte erzeugen gleichzeitig viele Zeitreihen. Um vorherzusagen, was als Nächstes passiert, muss ein Modell verstehen, wie sich jedes einzelne Signal über die Zeit entwickelt und wie verschiedene Signale sich gegenseitig beeinflussen. Klassische statistische Werkzeuge funktionieren gut für eine einzelne Reihe, haben aber Probleme, wenn Dutzende oder Hunderte von Reihen miteinander verflochten sind. Neuere Deep-Learning-Modelle, wie rekurrente Netze und Transformer, haben die Lage verbessert, benötigen oft jedoch hohe Rechenleistung und können durch lange Verläufe und verrauschte Beziehungen zwischen Signalen irritiert werden.

Rhythmen finden, bevor Verbindungen gelernt werden

Die Autorinnen und Autoren argumentieren, dass eine große Schwierigkeit im Timing liegt: Wenn ein Modell zu früh versucht, Beziehungen zwischen Reihen zu lernen, können schwache oder zufällige Verknüpfungen die echten, in jedem Signal verborgenen Rhythmen überdecken. Ihre Lösung ist, die Aufgabe in zwei Phasen zu unterteilen. Zuerst konzentriert sich die Methode darauf, saubere zeitliche Muster innerhalb jeder einzelnen Reihe aufzudecken. Dazu wird ein schnelles mathematisches Werkzeug (die schnelle Fourier-Transformation) angewendet, das dominante Zyklen—tägliche, wöchentliche oder saisonale Rhythmen—in den Daten sichtbar macht. Geleitet von diesen Zyklen betrachtet eine neu gestaltete "Zeit-Misch"-Komponente jede Reihe gleichzeitig auf mehreren Zeitskalen, von kurzen Wellen bis zu langen Schwankungen. In dieser Vortrainingsphase wird jeder Kanal unabhängig behandelt, sodass Querrauschen zwischen den Reihen keinen Störfaktor einbringt.

Dem Netz erlauben, eine Einflusskarte zu lernen

Sobald das Modell verlässliche zeitliche Muster für jede Reihe gelernt hat, wechselt es in die zweite Phase, in der schließlich Beziehungen zwischen den Reihen eingeführt werden. Hier betrachtet die Methode die Sammlung von Signalen als ein Netzwerk: Jede Reihe ist ein Knoten und Verbindungen repräsentieren, wie stark zwei Reihen einander beeinflussen. Anstatt eine feste Verbindungsstruktur anzunehmen, lernt das Modell diese Karte direkt aus den Daten mithilfe eines graphbasierten neuronalen Netzes. Entscheidend ist, dass dies auf mehreren Zeitskalen geschieht, die zu den zuvor entdeckten Zyklen passen. Für jede Skala verfeinert das Netzwerk sowohl die Knoteneigenschaften als auch das Muster der Verbindungen und kombiniert sie dann mithilfe von Gewichten, die aus der Stärke der zugrunde liegenden Zyklen abgeleitet sind. Dieses mehrskalige Graphdesign ermöglicht es dem Modell, die informativsten Beziehungen zu betonen und schwächere, weniger nützliche zu dämpfen.

Test der Methode in der Praxis

Die Forschenden haben PMSRWKV-GCN auf acht öffentlichen Datensätzen bewertet, die praktische Prognoseherausforderungen widerspiegeln: Stromnachfrage von Hunderten von Kunden, Autobahnverkehr in Kalifornien, Wettermessungen, Transformator-Temperaturen und Devisenkurse zwischen großen Volkswirtschaften. Über verschiedene Vorhersagehorizonte hinweg—von wenigen Schritten bis zu Langfristprognosen—lieferte das neue Modell typischerweise geringere Fehler als mehrere starke Baselines, einschließlich Transformer-basierter und anderer graphbasierter Ansätze. Eine Ablationsanalyse zeigte, dass beide Phasen wichtig sind: Die Entfernung des mehrskaligen Zeit-Mixings schwächte das zeitliche Strukturverständnis des Modells, während das Weglassen des mehrskaligen Graphen die Leistung auf Datensätzen mit starken Wechselwirkungen zwischen Reihen deutlich verschlechterte. Das Vortrainieren des temporalen Moduls allein verbesserte die Genauigkeit und Stabilität über die Datensätze hinweg um einige Prozentpunkte.

Was das für alltägliche Prognosen bedeutet

Für Nicht-Spezialistinnen und Nicht-Spezialisten lautet die Kernbotschaft: Die Autorinnen und Autoren haben ein Vorhersagesystem entwickelt, das trennt, "was jedes Signal tendenziell tut" von "wie Signale einander beeinflussen", und diese Einsichten dann in kontrollierter Weise wieder zusammenführt. Indem zuerst saubere Rhythmen für jede Reihe gelernt werden und erst danach ein flexibles Einflussnetzwerk, vermeidet PMSRWKV-GCN, von verrauschten oder schwach verwandten Daten in die Irre geführt zu werden. Das Ergebnis ist ein Modell, das scharfe Veränderungen und komplexe Zyklen in Bereichen wie Energie, Verkehr, Wetter und Finanzen zuverlässiger verfolgen kann. Dieser schrittweise, mehrskalige Ansatz bietet eine Blaupause für künftige Vorhersagewerkzeuge, die sowohl genauer als auch robuster gegenüber den unordentlichen Daten der realen Welt sind.

Zitation: Hao, J., Liu, F. & Zhang, W. Pre-trained multi-scale RWKV-GCN for multivariate time series forecasting. Sci Rep 16, 10250 (2026). https://doi.org/10.1038/s41598-026-41091-4

Schlüsselwörter: Zeitreihenprognose, multivariate Daten, Deep Learning, Graphneuronale Netze, zeitliche Muster