Zaman Serisi Modellerinde Gerçek Fark: Veri Paylaşımı

Zaman serisi tahmini için geliştirilen dört yeni foundation model, Timestral, t0, Tabby ve Morpheus-2.0, GIFT-Eval benchmark'unda test edildi. Sonuçlar ilginç: hepsi benzer yeteneklere sahip ama biri diğerinden nasıl ayrılıyor?

Tüm dört model aynı temel işlemleri yapıyor: verileri parçalara ayırıyor (patch), ölçeklendiriyor ve nicel tahminler (quantile) üretiyor. Ama burada kritik nokta ortaya çıkıyor, modeller birbirinden farklılaşıyor çünkü serilerin birbirleriyle bilgi paylaşma şekli değişiyor.

Bazı modeller bir seri içindeki desenleri diğer serilerle bağlantılı hale getiriyor. Diğerleri her seriyi daha bağımsız olarak ele alıyor. Bu "bilgi alışverişi" stratejisi, modelin ne kadar iyi tahmin yapacağını belirliyor, özellikle eksik veya sınırlı veri olduğunda.

Praktik açıdan: eğer senin zaman serisi verisi birden fazla ilişkili kaynaktan geliyorsa (örneğin farklı sensörler, bölgeler veya ürünler), hangi modeli seçtiğin önemli hale geliyor. Bir model diğer serilerdeki desenleri öğrenebilirse, daha güvenilir tahminler yapabilir. Ama bu her durum için doğru değil, bazen serilerin tamamen bağımsız olması gerekebilir.

Benchmark sonuçları gösteriyor ki, model mimarisi kadar veri stratejisi de performansı etkiliyor. Kendi probleminiz için hangisinin uygun olduğunu anlamak, deneme-yanılma ile başlayıp sonuçları karşılaştırmaktan geçiyor.