(Master) Selbstlernende Methodenauswahl für Zeitreihenvorhersagen
07.12.2015Self-Learning Method Selection for Time Series Forecasting
Motivation
Es existieren eine Vielzahl an Methoden zur Vorhersage von Zeitreihendaten, beispielsweise aus dem Gebiet der Zeitreihenanalyse (ARIMA, tBATS, GARCH, ETS, …) oder des Machine-Learning (ANNs, SVM, ...). Prinzipiell haben all diese Methoden ihre charakteristischen Stärken und Beschränkungen, so dass nicht nur eine Methode in einem dynamischen Scenario angewendet werden sollte. Ausgehend von existierenden Zeitreihen-Datensätzen können jedoch Regel gelernt werden, welche basierend auf statistischen Eigenschaften die Auswahl der passenden Methoden ermöglicht.
Ziele
In dieser Masterarbeit soll basierend auf einer existierenden methodischen Vorlage in [1] eine Software entwickelt werden, welche für einen Satz an Vorhersagemethoden und für gegebene Eingabedaten automatisch Regeln zur Methodenauswahl ableitet.
Wir bieten
- Intensive Betreuung und eine hervorragende Arbeitsumgebung
- Zusammenarbeit mit Partnern aus der Wirtschaft
- Arbeit mit und an aktuellsten Technologien sowie gefragten Forschungsthemen
Dauer
3 - 6 Monate
Kontakt
Nikolas Herbst, Dipl.-Inform.
nikolas.herbst@uni-wuerzburg.de
Links
[1] „Rule induction for forecasting method selection: meta-learning the characteristics of univariate time series“: http://robjhyndman.com/papers/wang3.pdf
Zurück