Vorgefertigtes Foundation-Modell für Zeitreihenprognosen, trainiert auf über 100 Milliarden Datenpunkten aus Handel, Energie, Finanzen und IoT. Liefert via API präzise Forecasts ohne eigenes Modelltraining — besonders stark bei kurzen Datenhistorien, wo klassische ML-Modelle noch nicht zuverlässig arbeiten.
Kosten: API-Zugang: ab 0,50 USD pro 1.000 Prognosen; Business-Tarif ab ca. 500 USD/Monat für unlimitierte Nutzung. Free Tier mit begrenztem API-Kontingent verfügbar.
Stärken
- Zero-Shot-Prognosen ohne eigenes Modelltraining — funktioniert ab wenigen Monaten Verlaufsdaten
- Überlegene Genauigkeit gegenüber klassischen Modellen (ARIMA, Prophet) bei kurzen Datensätzen laut Nixtla-Benchmarks
- Anomalieerkennung und Konfidenzintervalle ab Werk
- Python-SDK mit scikit-learn-kompatiblem Interface — geringer Integrationsaufwand
- Kontextfenster bis 10.000 Zeitschritte — lange Saisonalitäten abbildbar
Einschränkungen
- Hosting in den USA — keine EU-Datenhaltung verfügbar (Stand Mai 2026)
- Kein deutschsprachiger Support, Dokumentation ausschließlich auf Englisch
- Reine API — kein Dashboard oder UI, Visualisierung muss extern gebaut werden
- Für sehr exotische Zeitreihen mit starken Strukturbrüchen (z. B. Post-COVID-Basiseffekte) braucht das Modell explizite Kovariaten
- Preismodell für hohe Prognose-Volumen wird schnell dreistellig monatlich
Passt gut zu
So steigst du ein
Schritt 1: API-Key anlegen unter nixtla.io — Free Tier reicht für erste Tests mit deinen eigenen Daten. Das Python-SDK installieren: pip install nixtla.
Schritt 2: Historische Zeitreihendaten im Pandas-DataFrame-Format vorbereiten (Spalten: unique_id, ds für Datum, y für Messwert). Für Abfallmengenprognosen: je eine Zeile pro Fraktion, Standort und Abfuhrtermin.
Schritt 3: Den Client initialisieren, Prognose starten — TimeGPT gibt einen DataFrame mit Forecast-Werten und Konfidenzintervallen zurück. Keine Modellparameter, kein Hyperparameter-Tuning erforderlich. Ergebnisse in Power BI oder ein Planungstool exportieren.
Ein konkretes Beispiel
Ein Entsorgungsbetrieb mit 15 Sammelrouten und drei Jahren digitaler Wiegedaten nutzt Nixtla TimeGPT, um wöchentliche Abfallmengen je Fraktion und Route vier Wochen im Voraus zu prognostizieren. Das Modell berücksichtigt Saisonalität und Feiertage automatisch. Der API-Aufruf läuft täglich um 6 Uhr morgens via Python-Skript und befüllt ein Power-BI-Dashboard, das der Betriebsleiter in der Frühschicht öffnet. Gesamtaufwand für die Einrichtung: circa vier Wochen durch einen Data-Engineer — ohne Modelltraining.
Diesen Inhalt teilen:
Empfohlen in 2 Use Cases
Energie & Utilities
Entsorgung & Recycling
Redaktionell bewertet · Preise und Funktionen können sich ändern.
Stimmt etwas nicht?
Preise geändert, Feature veraltet oder etwas fehlt? Wir freuen uns über Hinweise und Ergänzungen.
Nicht sicher, ob Nixtla TimeGPT zu euch passt?
Wir helfen bei der Tool-Auswahl und begleiten die Einführung in euren Arbeitsalltag — unverbindlich und kostenlos im Erstgespräch.
Weitere Tools
ACCURE Battery Intelligence
ACCURE Battery Intelligence
ACCURE ist eine prädiktive Batterieanalytik-Plattform, die Flotten von Lithium-Ionen-Speichern auf Sicherheitsrisiken, Degradationsmuster und Betriebseffizienz überwacht. Das System analysiert BMS-Daten über KI-Modelle auf reversible und irreversible Alterung, erkennt Lithium-Plating und andere nicht-offensichtliche Degradationsmechanismen. Kunden wie RWE und Repsol nutzen ACCURE für mehr als 18 GWh globaler Speicherkapazität (Stand: 2025).
Mehr erfahrenAugury
Augury
Predictive Maintenance Plattform spezialisiert auf Rotationsmaschinen (Motoren, Pumpen, Ventilatoren). Machine Learning analysiert Vibration und Akustiksignale zur Fehlervorhersage.
Mehr erfahrenBigQuery ML
Google Cloud
Machine-Learning-Erweiterung für Googles Data Warehouse BigQuery. Analysten trainieren Modelle direkt per SQL — ohne Datenbewegung, ohne separaten ML-Stack. Inklusive Forecasting mit TimesFM und Remote-Calls zu Gemini, Vertex AI und Anthropic-Modellen.
Mehr erfahren