Patch-basierte Verfahren in der multivariaten Zeitreihenvorhersage stoßen an eine fundamentale Grenze: Fixe Segmentierung fragmentiert semantische Informationen und verhindert, dass Modelle vollständige dynamische Muster erfassen. Adaptive Multi-Scale-Ansätze versprechen Abhilfe durch strukturierte Partitionierung, die sich an lokale Informationsdichte anpasst.

Adaptive Segmentierung statt starrer Patches

Forscher identifizierten am 17. November 2025 das zentrale Problem fixer Patching-Ansätze: Sie teilen kritische dynamische Informationen auf und beeinträchtigen die Fähigkeit von Modellen, vollständigen semantischen Kontext zu erfassen. Bei irregulären multivariaten Zeitreihen, deren Informationsdichte lokal variiert, verschärft sich dieses Problem. Die Lösung erfordert adaptive Patching-Verfahren, die sich an lokale Informationsdichte anpassen und dabei semantische Integrität bewahren.

Einzelne Zeitreihenpunkte tragen anders als Wörter in Natural Language Processing oder Patches in Computer Vision keine explizite semantische Information. Diese Erkenntnis trieb die Entwicklung von Verfahren voran, die Zeitreihen als Sequenzen von Patches statt einzelner Zeitschritte behandeln.

M2Patch: Multi-Scale-Architektur mit differenzierbaren Constraints

M2Patch, veröffentlicht am 7. Juli 2026, erweitert Multi-Scale-Patching durch eine CNN-basierte Architektur. Das System bildet kanal-unabhängige multivariate Beobachtungen in strukturierte latente Räume ab. Zwei komplementäre differenzierbare Constraints steuern den Prozess:

  • Multi-Scale-Patching-Dekomposition zerlegt Eingabedaten in überlappende zeitliche Granularitäten
  • Depthwise-separable Convolutions extrahieren skalenspezifische Features mit progressiver Dilation in linearer Zeit
  • Pro-Skala gelernte Projektionen komprimieren Features in kompakte latente Repräsentationen
  • Intra-Scale-Smoothness-Constraint erzwingt zeitliche Kontinuität zwischen benachbarten Patches
  • Inter-Scale-Alignment-Constraint nutzt lernbare Cross-Scale-Mappings zur Wiederherstellung von Interaktionen über Granularitäten hinweg

In Tests über zehn reale Benchmarks und 40 Vorhersage-Szenarien erzielte M2Patch 57 beste und 34 zweitbeste Ergebnisse. Die Architektur behält lineare Rechenkomplexität bei und zeigt Robustheit gegenüber Korruption auf Patch-Ebene.

Vorläufer: TimeSQL und Multi-Scale-Patching

TimeSQL führte am 27. Februar 2024 Multi-Scale-Patching-Operationen ein, um lokale Strukturen zu erfassen und semantische Informationen zu extrahieren. Der Ansatz kombinierte Multi-Scale-Patching mit spezialisierten Verlustfunktionen und baute auf Series-Patching-Techniken auf.

Kanal-Unabhängigkeit versus Cross-Variable-Interaktionen

Die Rolle der Kanal-Unabhängigkeit stellt einen kritischen architektonischen Trade-off dar. PatchTST popularisierte 2023 das kanal-unabhängige Design: Jede univariate Serie wird separat modelliert, während ein Transformer-Backbone geteilt wird. Dieser Ansatz reduziert Rechenkomplexität und verbessert die Erfassung lokaler zeitlicher Semantik. Er wurde Standard in patch-basierten Methoden.

Forschung vom 24. Dezember 2024 widersprach diesem Paradigma und betonte, dass Cross-Variable-Interaktionen hochwertige Informationen enthalten, die in früheren Studien oft falsch angewendet wurden. PatchMLP schlug vor, Kanal-Unabhängigkeit für Rauschbehandlung mit Channel-Mixing für semantischen Informationsaustausch zu kombinieren. Das System nutzt einfache gleitende Durchschnitte zur Komponentenextraktion.

Performance-Vergleiche auf Standarddatensätzen

SRSNet, veröffentlicht am 16. Dezember 2025, demonstrierte wettbewerbsfähige Performance gegen mehrere Baseline-Modelle auf Standarddatensätzen:

Auf ETTh1 erreichte SRSNet für den 96-Schritte-Horizont 0,366 MSE (±0,001), während TimeKAN 0,370 und Amplifier 0,373 MSE erzielten. Für 192 Schritte lag SRSNet bei 0,400 MSE (±0,001), TimeKAN bei 0,403 und Amplifier bei 0,414. Bei 720 Schritten erzielte SRSNet 0,426 MSE (±0,001), Amplifier 0,455 und TimeMixer 0,483.

Auf ETTh2 für den 96-Schritte-Horizont erreichte SRSNet 0,271 MSE (±0,002), knapp hinter TimeMixer mit 0,270 und vor iTransformer mit 0,292. Für 192 Schritte lag SRSNet bei 0,324 MSE (±0,001), während PatchTST und iTransformer jeweils 0,348 erreichten. Bei 336 Schritten erzielte SRSNet 0,349 MSE (±0,001), TimeMixer 0,367 und iTransformer 0,372.

Integration mit Large Language Models

Ansätze vom 15. Juni 2025 explorieren die Nutzung instruction-tuned Large Language Models für Zeitreihenvorhersage durch patch-basiertes Prompting. Die PatchInstruct-Technik zeigte, dass Prompting vortrainierter LLMs mit strukturiertem zeitlichem Kontext Modelle erreichen oder übertreffen kann, die von Grund auf trainiert wurden. Der Ansatz bietet eine leichtgewichtige Alternative zu expliziten Dekompositions- und Parameter-Tuning-Verfahren.

Patch-weise strukturelle Verlustfunktionen

Forschung vom 2. März 2025 führte patch-weise strukturelle Verlustansätze ein, die auf Segmentierungstechniken aufbauen. Das Verfahren verbessert Lokalität und erfasst umfassende semantische Informationen, die punkt-basierte Techniken übersehen.

PatchTST demonstrierte am 11. Februar 2025, wie Patching-Techniken lokale semantische Informationen extrahieren und gleichzeitig Rechenaufwand deutlich reduzieren. Das Verfahren teilt Eingabe-Zeitreihen in kleinere Patches, die als individuelle Tokens für Attention-Mechanismen dienen.

Architektonische Trends

Die Forschung identifiziert Patching als fundamental für moderne Zeitreihenvorhersage. Der Ansatz adressiert das semantische Defizit punkt-basierter Repräsentationen. Effektive Architekturen kombinieren Multi-Scale-Dekomposition, lernbare adaptive Mechanismen, strukturierte latente Raumorganisation, strategisches Gleichgewicht zwischen Kanal-Unabhängigkeit und Cross-Variable-Interaktion sowie Durchsetzung zeitlicher Kontinuitäts-Constraints über Skalen hinweg.