Chronos-2 vs. Timestral: Foundation Models für die Lastprognose

Am 15. Oktober 2026 hat Mistral AI Timestral veröffentlicht, eine Familie von Foundation Models für Zeitreihen. Wir wollten wissen, wie sich Timestral bei einer Aufgabe schlägt, die für unsere Kunden zählt: die Stromlast einer Gemeinde für den nächsten Tag zu prognostizieren. Deshalb haben wir es neben Chronos-2 von Amazon gestellt, eines der etablierten offenen Modelle dieser Klasse.

Was ein Foundation Model für Zeitreihen macht

Ein Sprachmodell liest einen Prompt und schreibt weiter. Ein Foundation Model für Zeitreihen macht dasselbe mit Zahlen: Es liest die jüngste Historie und setzt sie fort.

• Einmal vortrainiert auf großen Sammlungen realer und synthetischer Zeitreihen.
• Kontext zur Prognosezeit: die jüngste Last plus Wetter- und Kalendermerkmale als Kovariaten.
• Prognose zero-shot: Heraus kommt eine probabilistische Prognose, ohne dass für den Standort ein Modell trainiert wird.

Das ist der Reiz: keine Trainingspipeline pro Standort und eine Prognose ab dem ersten Tag.

Die beiden Modelle

Der Testaufbau

• Zielgröße: Stromlast einer Schweizer Gemeinde, prognostiziert day-ahead im Viertelstundenraster.
• Kovariaten: mehrere Wetter- und Kalendermerkmale, an beide Modelle als zusätzliche Eingaben übergeben.
• Zeitraum: ein Monat, 2. März bis 1. April 2025.
• Zero-shot: Keines der Modelle wurde auf den Standort trainiert oder nachtrainiert.

Ergebnisse

Beide Modelle erreichen day-ahead einen MAE unter 5 % der mittleren Last. Timestral liegt bei allen drei Kennzahlen vorn:

Die Woche oben zeigt, was die Zahlen in der Praxis bedeuten. Beide Modelle folgen dem Tagesgang und der niedrigeren Last am Wochenende. Die Fehler liegen vor allem in den Spitzen und in kurzen Einbrüchen, die keines der Modelle kommen sieht.

MAE und RMSE sind in MW und in Prozent der mittleren Last angegeben. BIAS ist Messung minus Prognose: Die negativen Werte bedeuten, dass beide Modelle im Mittel etwas zu viel Last prognostizieren, Timestral um weniger als halb so viel wie Chronos-2. Warum wir Fehler relativ zur mittleren Last angeben und nicht als MAPE, erklärt unser Artikel zu den Tücken des MAPE.

Für Modelle, die die Daten dieser Gemeinde nie gesehen haben, ist das eine starke Baseline.

Wo die Grenzen liegen

Das Kontextfenster ist endlich. Ein Foundation Model sieht nur, was in sein Fenster passt. Im Viertelstundenraster decken die 8.192 Schritte von Chronos-2 etwa 85 Tage ab, die 32.768 Schritte von Timestral etwa 341 Tage. Die Feiertage des Vorjahres oder dieselbe Jahreszeit vor einem Jahr liegen außerhalb dieses Fensters. Unsere produktiven Lastmodelle lernen aus rund drei Jahren Historie.

Rechenzeit kostet. Dieser einmonatige Backtest lief rund zwei Stunden auf einem Laptop. Für einen Test ist das in Ordnung, bei täglichen Prognosen und regelmäßigen Backtests für ein Portfolio mit vielen Standorten summiert es sich aber.

Ein Standort, ein Monat. Der Test umfasst eine einzelne Gemeinde im März. Er ist ein erster Eindruck, kein allgemeines Urteil: Bei anderen Lastprofilen und Jahreszeiten kann die Reihenfolge der Modelle anders aussehen.

Was wir mitnehmen

• Starke Baseline: zero-shot ein Day-ahead-MAE unter 5 %, ohne ein für den Standort trainiertes Modell.
• Kontext ist endlich: Das Fenster begrenzt, wie viel Historie eine Prognose sieht, und Backtests brauchen echte Rechenleistung.
• Europa ist konkurrenzfähig: Mit Timestral spielt ein offenes europäisches Modell jetzt auf Augenhöhe mit Chronos-2.

Ein starker europäischer Wettbewerber bei KI für Zeitreihen ist eine gute Nachricht für die Energiewirtschaft. Timestral gibt es in vier Größen von 5 bis 209 Mio. Parametern, es läuft auf der CPU ohne GPU und ist mit offenen Gewichten auf Hugging Face verfügbar. Merci, Mistral AI.

Wenn Sie sehen möchten, wie Foundation Models und unsere produktiven Lastprognosen mit Ihren eigenen Daten abschneiden, sprechen Sie uns an.