Fundamentale Modelle für die Zeitreihenvorhersage: Ein Benchmark aus der Praxis
Traditionelle Methoden der Zeitreihenvorhersage wie ARIMA und Prophet werden von einer neuen Generation von „fundamentalen Modellen“ herausgefordert. Diese Modelle zielen darauf ab, die Leistungsfähigkeit großer Sprachmodelle (LLMs) auf Zeitreihendaten anzuwenden und ermöglichen es, mit einem einzigen Modell Vorhersagen über verschiedene Datensätze und Domänen hinweg zu treffen. Dieser Artikel vergleicht mehrere fundamentale Modelle – Amazon Chronos, Google TimesFM, IBM Tiny Time-Mixers und Datadog Toto – mit klassischen Modellen. Tests mit realen Kubernetes-Pod-Metriken zeigen, dass fundamentale Modelle bei der multivariaten Vorhersage hervorragend abschneiden, wobei Datadog Toto besonders gute Leistungen erbringt. Es bleiben jedoch Herausforderungen bei der Behandlung von Ausreißern und neuen Mustern bestehen, und klassische Modelle bleiben bei stabilen Arbeitslasten wettbewerbsfähig. Letztendlich kommen die Autoren zu dem Schluss, dass fundamentale Modelle erhebliche Vorteile für sich schnell ändernde, multivariate Datenströme bieten und flexiblere und skalierbarere Lösungen für moderne Observability- und Plattform-Engineering-Teams bereitstellen.