Zeitreihen und Prognosen mit KI

Kurz: Eine Zeitreihe ist eine Folge von Messwerten über die Zeit (Temperatur, Aktienkurs, Stromverbrauch). Prognosemodelle lernen aus Vergangenheit und Rhythmus, wie es weitergeht.

Genauer: Entscheidend ist, dass die Reihenfolge zählt. Man darf Trainings- und Testdaten nicht mischen, sondern trennt nach Zeit.

Im Detail

• Bestandteile: Trend, Saison (Tag, Woche, Jahr), Rauschen, Ausreißer.
• Klassisch: Gleitende Mittelwerte, exponentielle Glättung, ARIMA, Prophet.
• Maschinelles Lernen: Gradient Boosting mit „Lag“-Merkmalen (Wert von gestern, vor einer Woche).
• Neuronal: LSTM/GRU, Temporal Convolution, Transformer (Informer, PatchTST).
• Fundamentmodelle: Große vortrainierte Zeitreihenmodelle sagen ohne Training für neue Reihen etwas voraus (Zero-Shot).
• Unsicherheit: Gute Prognosen geben Intervalle statt nur eines Wertes an.
• Bewertung: MAE, RMSE, MAPE, Rückwärtstest (Backtest) mit rollendem Fenster.
• Grenzen: Märkte und Ereignisse brechen Muster. Aktienkurse sind kaum vorhersagbar.

Siehe auch: Rekurrente Netze und LSTM, Metriken: Genauigkeit, Precision, Recall und F1