Næste tirsdag kunne ligne sidste tirsdag. Denne enkle antagelse er en seriøs modstander for enhver imponerende prognosekurve. Hvis en AI skal vurdere, hvad der venter et kursuslokale, en måleserie eller efterspørgslen efter materialer, skal den gøre mere end at forlænge de eksisterende data med en glat linje.
Mistral præsenterede Timestral den 15. oktober 2026 som en familie af tidsseriemodeller. Annonceringen beskriver probabilistiske prognoser og brugen af yderligere variabler, både tidligere og fremtidige, der allerede er kendte. Leverandørens benchmarks kan ikke erstatte en sammenligning på din egen serie, som du forstår.
Rækkefølgen er en del af informationen
En tidsserie indeholder værdier, der er knyttet til tidspunkter. For en prognose tæller ikke kun tallene, men også intervallerne, rækkefølgen og det, man vidste på det tidspunkt. En begivenhed, der først blev kendt senere, må ikke ubemærket snige sig ind i den tidligere prognose.
Fremtidig information, der allerede er kendt, kunne for eksempel være en helligdag, der allerede er offentliggjort. En forstyrrelse, der er konstateret bagefter, hører ikke til i samme kategori. Den, der blander de to, lader prognosen arbejde med viden, som endnu ikke ville have været tilgængelig ved reel brug.
En kunstig serie og et fast skæringspunkt
Til at begynde med kan du bruge en helt opdigtet daglig serie, der dækker fire uger. De første tre uger udgør den tilgængelige fortid. Den sidste uge holder du tilbage til sammenligningen. Tallene her fungerer som undervisningsdata og beskriver ikke nogen reel drift.
wochen = [
[10, 18, 11, 12, 16, 5, 4],
[11, 19, 12, 12, 17, 6, 4],
[12, 20, 12, 13, 18, 5, 5],
[12, 21, 13, 14, 18, 6, 5],
]
vergangenheit = sum(wochen[:3], [])
ist = wochen[3]
vorwoche = vergangenheit[-7:]
mae = sum(abs(a-b) for a, b in zip(vorwoche, ist)) / len(ist)
print("Mean absolute error of the previous-week rule:", mae)Referencereglen tager for hver dag den tilsvarende værdi fra den sidst kendte uge. Eksemplet kan køres med Python uden adgang til en model. Det giver kun en sammenligningsværdi for disse kunstige data; det måler ikke Timestral.
Kun en modelprognose, der faktisk er genereret, ville stå ved siden af som et andet estimat. Den må kun bruge den fortid, der er frigivet til den, og yderligere information, der var kendt på det tidspunkt. Notér skæringspunktet udtrykkeligt, så ingen ved et uheld giver den tilbageholdte uge med som input.
Flere tidsvinduer i stedet for én heldig uge
Et enkelt tilbageholdt afsnit kan være særligt nemt eller særligt usædvanligt. Til en senere, mere meningsfuld sammenligning flytter du skæringspunktet senere, trin for trin. Hver prognose ser kun fortiden, som den så ud på det tidspunkt. Dette princip viser, om en fordel afhænger af en enkelt gunstig uge.
Fastlæg målet. Den gennemsnitlige absolutte fejl behandler afvigelser efter deres størrelse. For en konkret beslutning kan for høje og for lave estimater dog have forskellige konsekvenser. Manglende materiale og ubrugt lager er for eksempel forskellige problemer, selv om den numeriske afvigelse er den samme.
Et interval er et yderligere udsagn
Probabilistiske prognoser kan beskrive flere mulige forløb eller intervaller. Et skraveret område bør derfor have en forklaret betydning. Det er hverken automatisk en garanti eller blot pynt omkring en midterlinje.
Kontrollér ved output, der faktisk er tilgængeligt, hvilke kvantiler eller sandsynlighedsangivelser det indeholder. Mærk ethvert diagram i overensstemmelse hermed. Et bredt interval kan være mere nyttigt til planlægning end et tilsyneladende sikkert enkelttal, hvis det ærligt synliggør usikkerheden.
Hvad du kan tage med fra eksperimentet
Den første indsigt kræver endnu ikke en modelrangering: en prognose skal bedømmes op imod en forståelig regel og uden viden om fremtiden. Det lille script giver et uafhængigt udgangspunkt for dette. Derefter kan du kontrollere, om en mere avanceret tilgang giver ekstra nytte for din periode.
Timestral gør sådanne specialiserede modeller til en interessant AI-nyhed. Det praktiske spørgsmål forbliver konkret: hvilken prognose er der brug for, hvilken information var tilgængelig, og hvilke fejl er relevante for beslutningen? Her forklarer en rent trukket tidsgrænse mere end en særligt imponerende kurve.
Kilder og status
Kilder pr. 25. oktober 2026. Introducing Timestral.
