TopoPrimer: De ontbrekende topologische context in voorspellingsmodellen

Samenvatting

Wij introduceren TopoPrimer, een raamwerk dat de globale topologische structuur van de seriepopulatie als expliciete input maakt voor elk voorspellingsmodel. TopoPrimer verbetert de nauwkeurigheid in uiteenlopende domeinen, stabiliseert voorspellingen onder seizoensgebonden vraagpieken en overbrugt de koude-startkloof. TopoPrimer wordt eenmalig per domein voorberekend via persistente homologie en spectrale schoofcoördinaten, en wordt per token ingezet voor volledig getrainde modellen en als een lichtgewicht adapter voor voorgetrainde backbones. Van deze twee componenten vormen de schoofcoördinaten de primaire drijfveer voor nauwkeurigheid. Over vier openbare benchmarks op Chronos en TimesFM heen verbetert TopoPrimer consistent de voorspellingsnauwkeurigheid, met winsten tot 7,3% MSE op ECL. Het topologievoordeel blijft bestaan met vrijwel identieke omvang bij zowel zero-shot als fijngestelde backbones, wat suggereert dat topologie en per-serie training complementaire signalen vastleggen. De winsten zijn het meest uitgesproken in moeilijke regimes. Onder piekseizoensvraag degraderen klassieke en zero-shot-modellen met tot wel 50%, terwijl TopoPrimer binnen 10% blijft. Bij een koude start zonder itemhistorie reduceert TopoPrimer de MAE met 27% ten opzichte van een topologievrije baseline.

English

We introduce TopoPrimer, a framework that makes the global topological structure of the series population an explicit input to any forecasting model. TopoPrimer improves accuracy across diverse domains, stabilizes forecasts under seasonal demand spikes, and closes the cold-start gap. Precomputed once per domain via persistent homology and spectral sheaf coordinates, TopoPrimer deploys per token for fully-trained models and as a lightweight adapter for pre-trained backbones. Of these two components, sheaf coordinates are the primary accuracy driver. Across four public benchmarks on Chronos and TimesFM, TopoPrimer consistently improves forecasting accuracy, with gains of up to 7.3% MSE on ECL. The topology advantage persists with near-identical magnitude across zero-shot and fine-tuned backbones, suggesting topology and per-series training capture complementary signals. The gains are most pronounced in difficult regimes. Under peak seasonal demand, classical and zero-shot models degrade by up to 50%, while TopoPrimer stays within 10%. At cold start with no item history, TopoPrimer reduces MAE by 27% over a topology-free baseline.