(Bachelor/Praktikum) Vergleich von Machine Learning Ansätzen bei der Anwendung in einem State-of-the-Art Forecaster

11/16/2017

Comparison of Machine Learning Approaches applied in a State-of-the-Art Forecaster

Motivation

Im Forschungsbereich der Prognose (Forecasting) ist es möglich, durch das Lernen aus der Vergangenheit, zukünftige Beobachtungen vorherzusagen. Allerdings gibt es gemäß des „No-Free-Lunch“ Theorems keine allgemein beste Prognosemethode, die für alle Arten von Daten die besten Ergebnisse liefert. Daher haben wir für unseren Anwendungsfall einen eigenen Forecaster entwickelt. Die Hauptkomponente des Forecasters stellt hierbei ein Ansatz des maschinellen Lernens dar. Jedoch existieren noch viele weitere Ansätze des maschinellen Lernens zur Identifikation von Zusammenhängen zwischen einzelnen Features.

Ziele

In einem State-of-the-Art Forecaster, der an diesem Lehrstuhl entwickelt wurde, werden Zeitreihen in die Komponenten Trend, Saisonalität und stochastischer Teil zerlegt. Die Komponenten Trend und Saisonalität werden dann getrennt vorhergesagt, während der stochastische Teil und die Verknüpfung zwischen den Komponenten durch einen bestimmten Ansatz des maschinellen Lernens (XGBoost) bestimmt wird. Im Rahmen einer Bachelorarbeit oder eines Praktikums sollen nun weitere Algorithmen des maschinellen Lernens mit verschiedenen Parametrisierungen integrieren werden. Zur Evaluation sollen dann die Vorhersagegenauigkeiten der jeweiligen Verfahren miteinander verglichen werden. Zuletzt soll basierend auf dem gelernten Modell eine automatische Auswahl des besten Ansatzes getätigt werden.

Wir bieten