Machine Learning und Deep Learning Verfahren zur Analyse und Prognose von Zeitreihen und Prozessdaten

Machine Learning und Deep Learning Verfahren zur Analyse und Prognose von Zeitreihen und Prozessdaten

Die Zeitreihenanalyse und -prognose hat sich in den letzten Jahren zu einem besonders wichtigen Bereich entwickelt. Es gibt unzählige praktische Anwendungen, darunter Wettervorhersagen, Umsatzprognosen, Klimaprognosen, Wirtschaftsprognosen, Prognosen für das Gesundheitswesen, technische Prognosen, Finanzprognosen, Prognosen für den Einzelhandel, Geschäftsprognosen, Prognosen für Umweltstudien, Prognosen für Sozialstudien und vieles mehr. 

Im Grunde kann jeder, der über konsistente historische Daten verfügt, diese Daten mit Methoden der Zeitreihenanalyse analysieren und dann Modelle, Prognosen und Vorhersagen erstellen. COVID-19 hat uns gezeigt, dass Prognosen ein wichtiges Instrument für Entscheidungen im Bereich der öffentlichen Gesundheit sind. Unternehmen werden immer effizienter und prognostizieren ihre Bestände und ihren operativen Bedarf im Voraus.

Zeitreihen und Prozessdaten entstehen im Zuge der Digitalisierung der Wirtschaft und der Produktion in einer Vielzahl von Bereichen. Der Wert solcher Daten liegt im zeitlichen Charakter der aufgezeichneten Informationen. Messwerte einer Zeitreihe informieren nicht nur über gegenwärtige Zustände, sie bilden auch fortlaufende Prozesse ab, die sich unter bestimmten Bedingungen in die Zukunft fortschreiben lassen und aus denen sich Prognosen für die Zukunft ableiten lassen:

• Sensordaten, die den Verschleiß eines oder mehrerer Teile in einer Produktionsmaschine ankündigen (vorbeugende Wartung).
• Die Historie der Verkaufszahlen eines Produkts, die Auskunft über notwendige Lagerbestände gibt, um die Kapitalbindungskosten zu minimieren.
• Den Verlauf des Kurses einer Aktie