Thought Leadership
Zero-Shot Time Series Forecasting bietet verlässliche Prognosen ohne Trainingsdaten und damit einen Lösungsansatz in genau den Fällen, in denen eigene historische Daten für das Modelltraining fehlen.
Zeitreihenprognosen sind essenziell für datengetriebene Entscheidungen. Zeitreihen geben Auskunft darüber, wie sich Werte über die Zeit entwickeln und helfen dabei, Trends, saisonale Muster und Schwankungen zum Beispiel in Umsatzzahlen zu erkennen. Zeitreihenprognosen nutzen historische Daten, um zukünftige Entwicklungen vorherzusagen, zum Beispiel zur Absatzplanung im Einzelhandel oder zur Vorhersage des Stromverbrauchs.
Die Herausforderung: Fehlende Trainingsdaten
Doch genau diese historischen Daten fehlen häufig und so ist die Verfügbarkeit von relevanten Trainingsdaten das entscheidende Kriterium für die Qualität und Verlässlichkeit von Zeitreihenprognosen. Oftmals werden lange Zeitreihen mit Umfang von bis zu mehreren Jahren für das Training von Machine-Learning-Modellen benötigt. Zudem bereiten in der Praxis fehlende Werte durch Sensorausfälle Probleme beim Sammeln der Datenhistorie.
Der Lösungsansatz: Zero-Shot Time Series Forecasting
Wie in vielen anderen Bereichen haben Foundation Modelle auch im Bereich der Zeitreihenprognosen den Werkzeugkasten deutlich erweitert. 2024 sind die ersten pretrained zero-shot Modelle, die Zeitreihen ohne weiteres Training direkt out-of-the-Box vorhersagen können, auf den Markt gekommen. Es genügt, wie bei anderen vortrainierten Modellen, einen Kontext mitzugeben. Dies können zum Beispiel die Umsatzzahlen aus der Vorwoche sein. Wie bei der LLM-Nutzung ist dieser Ansatz auf alle Branchen anwendbar.
Ein entscheidender Vorteil, denn Anwendungsfelder für das Zero-Shot-Time-Series-Forecasting gibt es viele:
- Energiewirtschaft: Lastprognose von Verbrauchsprofilen
- Maschinenbau: Fortschreibung der Sensordaten von Produktionsanlagen zur Erkennung kritischer Zustände
- Kundenservice: Genauere Personalplanung mittels Prognose der Kundenanfragen im Service-Center
- Mobilität: Optimierung der Auslastung von Bike-Sharing-Stationen
- IT: Steuerung der Kapazitäten auf Basis von Server-Traffic Forecasts
In allen diesen Fällen stechen Zero-Shot fähige Modelle hervor, da sie mit wenig Daten direkt Prognosen liefern und keine komplexen MLOps Pipelines benötigen.
Methodische Funktionsweise des Zero-Shot-Time Series Forecastings
Analog zu Sprachmodellen werden die Zero-Shot-Modelle mit einem großen Korpus an Zeitreihen vortrainiert. Dabei werden möglichst alle zukünftigen Anwendungsgebiete des Modells abdeckt, sodass das Modell, für alle Anwendungsfälle gewappnet ist. Die meisten Modelle vollziehen ein sogenanntes Time-Patching, also die Aufteilung von Zeitreihen in einzelne Abschnitte (Patches). Das Training verläuft dann ähnlich zu LLMs, die erlernen, das nächste Token (Wortfragmente) vorherzusagen: Im Training werden die vorherzusagenden Zeitreihenabschnitte maskiert, also vor dem Modell versteckt. Auf diese Weise lernen die Zero-Shot-Modelle im Training, wie es nach den bekannten Patches am nächsten Patch weitergeht. Durch die Maskierung und den verwendeten Self-Supervised-Learning-Ansatz sind keine Labels, also vorgegebene Zielwerte oder Antworten, die zu den Trainingsdaten gehören, nötig.
Kleine Modelle, hohe Geschwindigkeit
Das fokussierte Thema Zeitreihenprognose sowie die gleichzeitige Prognose von mehreren Zeitpunkten (Patch) führen zu Modellgrößen im Bereich von Millionen (M) statt Milliarden(B) Parametern. So hat zum Beispiel das populäre Google-Modell TimesFM in Version 2.5 nur 250 Millionen Parameter. Zum Vergleich: Die meisten Large Language Modelle rangieren zwischen 1 und 1.000 Milliarden Parametern. Daraus resultierend können mit aktuellen Modellen sogar auf Edge-Infrastruktur ohne GPU in begrenztem Umfang Forecasts durchgeführt werden.
Zu den aktuell bekanntesten Zero-Shot-Modellen zählen PatchTST, TimesFM, TiRex, Toto, Moirai, TabPFN-TS sowie die Chronos-Modellfamilie. Trainiert werden diese Modelle neben Tech-Konzernen wie Google und Amazon auch von wissenschaftsnahen Start-ups.
Im Praxistest hat uns neben TimesFM 2.5 besonders auch das ebenfalls aktuelle Modell Chronos 2 in Handling als auch Prognosegüte überzeugen können.
Aktuelle Entwicklung ist agentenbasiert
Seit Ende 2025 gibt es mit Agentic Foundation Frameworks eine neue Evolutionsstufe des Zero-Shot-Time-Series-Forecastings, die in Rankings mit genauen Prognosen überzeugen konnten. Sie kombinieren Ensembles der stärksten Foundation Modelle mit der agentischen Steuerungsfunktion von aktuellen LLMs. Bei der Veröffentlichung dieses Artikels sind die Frameworks noch im Alpha-Stadium und entsprechend noch nicht für den verantwortungsvollen Produktiveinsatz zu empfehlen. Ein grundsätzlicher Nachteil des agentenbasierten Vorgehens: Die Latenz ist durch die LLM-Aktionen sowie das Ensemble von mehreren Foundation Modellen deutlich gesteigert. Der Genauigkeitsgewinn in den Prognosen hat also den Preis einer höheren Latenz.
Zero-Shot-Time-Series-Forecasting: Ein Fazit
Zero-Shot Time Series Forecasting mit Foundation Modellen bietet enorme Mehrwerte für Zeitreihenprognosen in Anwendungsfällen, in denen kein aufwändiges Modelltraining aufgrund fehlender Trainingsdaten oder fehlender Zeit möglich ist. Mehr noch: Die Genauigkeit ist oft so hoch, dass es sich auch in Szenarien mit einer ausreichenden Menge an Trainingsdaten lohnen kann, Zero-Shot-Ansätze für einen Benchmark-Vergleich zu den Prognoseergebnissen klassischer Deep- oder Machine-Learning-Ansätze hinzuzuziehen. Die neueste, agentenbasierte Ausbaustufe bietet noch mehr Potenzial in puncto Genauigkeit und wird in wenigen Monaten auch über die nötige Marktreife verfügen.
Grundsätzlich empfiehlt es sich immer, bei der Implementierung auf die Evaluation mit eigenen Daten und Benchmark-Methoden zu achten, damit das Zero-Shot-Forecasting nicht zum Blindflug wird.
