Überblick über das Toolset "Zeitserienvorhersage"

Mit den Werkzeugen im Toolset "Zeitserienvorhersage" können Sie zukünftige Werte an Positionen in einem Raum-Zeit-Würfel vorhersagen und schätzen sowie verschiedene Vorhersagemodelle für die einzelnen Positionen auswerten und vergleichen. Es stehen verschiedene Vorhersagemodelle für Zeitserien zur Verfügung, z. B. einfache Kurvenanpassung, exponentielles Glätten und eine Forest-basierte Methode.

WerkzeugBeschreibung

Kurvenanpassungsvorhersage

Sagt Werte für jede Position eines Raum-Zeit-Würfels mithilfe der Kurvenanpassung vorher.

Vorhersagen nach Position auswerten

Wählt aus mehreren Vorhersagen für die einzelnen Positionen eines Raum-Zeit-Würfels jeweils das genaueste Ergebnis aus. Hiermit haben Sie die Möglichkeit, mehrere Werkzeuge im Toolset Zeitserienvorhersage mit denselben Zeitseriendaten zu verwenden und für jede Position die beste Vorhersage auszuwählen.

Vorhersage mit exponentiellem Glätten

Führt eine Vorhersage der Werte für jede Position eines Raum-Zeit-Würfels mithilfe der exponentiellen Glättungsmethode nach Holt-Winters durch, indem die Zeitserie bei jedem Positionswürfel in saisonale und Trendkomponenten zerlegt wird.

Forest-basierte Vorhersage

Führt eine Vorhersage der Werte für jede Position eines Raum-Zeit-Würfels mithilfe einer Adaption des "Random Forest"-Algorithmus durch, einer Methode für überwachtes maschinelles Lernen von Leo Breiman und Adele Cutler. Das Forest-Regressionsmodell wird mithilfe von Zeitfenstern an jeder Position des Raum-Zeit-Würfels trainiert.

Zusätzliche Quellen

Auf der Seite Spatial Statistics Resources finden Sie verschiedene Ressourcen, die Ihnen bei der Verwendung der Werkzeuge in den Toolboxes "Spatial Statistics" und "Space Time Pattern Mining" helfen, darunter:

  • Praxisorientierte Lernprogramme
  • Workshop-Videos und Präsentationen
  • Schulungen und Webseminare
  • Links zu Büchern, Artikeln und technischen Dokumentationen
  • Beispielskripte und Case Studys


In diesem Thema
  1. Zusätzliche Quellen