Blog
Werkzeugkoffer KI -
Überblick über häufig verwendete Verfahren
Von Lena Ferber am 24. Mai 2024
In unserer dynamischen Welt ist es oft unerlässlich, einen Blick in die Zukunft zu werfen. Ob an den Finanzmärkten, in der Produktionsplanung oder im Bereich der Ressourcenverwaltung – die Fähigkeit, zukünftige Entwicklungen vorherzusagen, ist in vielen Bereichen von entscheidender Bedeutung. Hier kommt die Zeitreihenprognose ins Spiel. Erfahre mehr in unserem dritten und vorerst letzten Teil der Reihe “Werkzeugkoffer KI”.
- Neuronale Netze: Modelle, die vom Aufbau des menschlichen Gehirns inspiriert sind.
- Entscheidungsbäume: Einfache, aber effektive Modelle zur Klassifizierung und Regression*.
- Random Forest: Ein Ensemble-Verfahren, das aus einer Vielzahl von Entscheidungsbäumen besteht.
- Zeitreihenprognose: Verfahren zur Vorhersage zukünftiger Werte einer Zeitreihe.
Teil 3 | Zeitreihenprognose: Den Blick in die Zukunft wagen
Die Zeitreihenprognose, auch als Zeitreihenanalyse bekannt, befasst sich mit der Vorhersage zukünftiger Werte einer Zeitreihe auf der Grundlage historischer Daten. Zeitreihen sind geordnete Datensätze, die Werte über einen bestimmten Zeitraum hinweg darstellen, z. B. Aktienkurse, monatliche Verkaufszahlen oder die durchschnittliche Temperatur in einer Region.
Einsatzgebiete der Zeitreihenprognose
Die Anwendungsbereiche der Zeitreihenprognose sind vielfältig und reichen von der Finanzwelt bis hin zur Epidemiologie.
- Finanzmärkte: Anleger nutzen Zeitreihenprognosen, um zukünftige Aktienkurse, Wechselkurse oder Rohstoffpreise vorherzusagen und fundierte Anlageentscheidungen zu treffen.
- Produktionsplanung: Unternehmen verwenden Zeitreihenprognosen, um die Nachfrage nach ihren Produkten zu antizipieren, Lagerbestände zu optimieren und Produktionsprozesse effizienter zu gestalten.
- Ressourcenmanagement: Energieversorger prognostizieren den Energieverbrauch, Wasserwerke planen die Wasserversorgung und Unternehmen im Gesundheitswesen schätzen den Personalbedarf mithilfe von Zeitreihenprognosen.
- Wartung: In der Instandhaltung werden Zeitreihenprognosen eingesetzt, um Ausfälle von Maschinen oder Anlagen vorherzusagen und Wartungspläne zu erstellen.
- Epidemiologie: Im Bereich der öffentlichen Gesundheit werden Zeitreihenprognosen zur Überwachung der Ausbreitung von Krankheiten und zur Vorhersage von Epidemien verwendet.
In der Welt der Zeitreihenprognosen gibt es verschiedene Modelle. Die Wahl des richtigen Verfahrens hängt von verschiedenen Faktoren ab
Faktor 1: Die Charakteristik der Zeitreihe
Verhalten sich unsere Daten wie ein ruhiges Gewässer oder eher wie eine stürmische See? Saisonale Schwankungen, langfristige Trends oder plötzliche Ausreißer sind Merkmale, die die Wahl des Modells beeinflussen.
Faktor 2: Die Datenmenge
Je mehr Datenpunkte wir haben, desto besser kann unser Modell lernen und desto genauer wird die Prognose. Ist unsere Datenmenge begrenzt, müssen wir mit einfacheren Modellen arbeiten, während uns umfängliche Datensätze komplexere und präzisere Verfahren ermöglichen.
Faktor 3: Die gewünschte Genauigkeit
Brauchen wir eine grobe Einschätzung oder eine detaillierte Vorhersage? Hohe Genauigkeit erfordert leistungsfähigere Modelle und mehr Rechenleistung. Ist eine geringere Genauigkeit ausreichend, können wir auf einfachere und schnellere Verfahren zurückgreifen.
Faktor 4: Die verfügbare Rechenleistung
Komplexe Modelle können wie hungrige Giganten Unmengen an Rechenleistung verschlingen. Ist unsere Rechenleistung begrenzt, müssen wir uns auf Modelle konzentrieren, die auf Standardcomputern ausgeführt werden können.
Anhand dieser Faktoren können wir nun verschiedene Prognosemodelle miteinander vergleichen und dasjenige auswählen, das am besten zu unseren Bedürfnissen und Daten passt.
Beliebte Modelle in der Zeitreihenprognose sind zum Beispiel:
- ARIMA: Ein statistisches Modell, das gut für saisonale Zeitreihen mit Trends geeignet ist. Es basiert auf der Autoregressiven Integrierten Gleitenden Mittelwert (ARIMA) Methode und modelliert die Abhängigkeit der aktuellen Werte von vergangenen Werten. ARIMA ist robust gegenüber Ausreißern und eignet sich gut für Prognosen mit mittlerer bis hoher Genauigkeit.
- Exponentielle Glättung: Ein einfaches Modell, das sich gut für kurzfristige Prognosen eignet. Es gewichtet vergangene Datenpunkte exponentiell, wobei neuere Datenpunkte stärker berücksichtigt werden als ältere. Die exponentielle Glättung ist leicht zu implementieren und eignet sich gut für Szenarien, in denen schnelle Prognosen benötigt werden.
- Facebook Prophet: Ein Open-Source-Modell, das speziell für die Zeitreihenprognose entwickelt wurde. Es basiert auf einem additiven Modell, das die Zeitreihe in mehrere Komponenten zerlegt, wie Trend, Saisonalität, Wochentagseffekte und Feiertage. Prophet ist benutzerfreundlich und eignet sich gut für Prognosen von Zeitreihen mit saisonalen Mustern.
Fazit
Die Zeitreihenprognose ist ein leistungsstarkes Werkzeug, das in vielen Bereichen eingesetzt werden kann, um zukünftige Entwicklungen vorherzusagen. Mit Hilfe von modernen Tools wie Prophet können auch Anwender ohne tiefgreifende Statistikkenntnisse zuverlässige Prognosen erstellen und fundierte Entscheidungen treffen.
Sie möchten mehr über die individuelle Entwicklung von KI-Projekten erfahren und interessieren sich dafür wie auch Ihr Unternehmen von Künstlicher Intelligenz profitieren kann?
Kontaktieren Sie uns gerne für eine unverbindliche Beratung.