Der Wetterbericht als Zeitreihe
- Links: Faustregel: Morgen wie heute, Kostet nichts, Oft erstaunlich gut
- Rechts: Modell: Rechnet genauer, Kostet Aufwand, Muss die Faustregel schlagen
- Urteil: Nicht besser als „wie gestern“ heißt: kein Gewinn.
Bei einer Zeitreihe zählt die Reihenfolge. Ein Modell muss die Faustregel „wie gestern“ schlagen.
Eine Zeitreihe sind Messwerte in der Reihenfolge, in der sie entstanden: die Tagestemperatur, der Stromverbrauch pro Stunde, die Verkäufe pro Woche. Anders als bei einer normalen Tabelle ist die Reihenfolge selbst eine Information. Der Wert von heute hängt vom Wert von gestern ab.
Das macht Vorhersagen möglich. Wenn du weißt, wie sich eine Größe bisher entwickelt hat, kannst du begründet vermuten, wie es weitergeht.
Trend, Saison und Zufall
- Trend (Laden wird bekannter)
- Saison (Sommer läuft besser)
- Zufall (Ein Regentag)
Trend ist die Richtung, Saison das Wiederkehrende, Zufall der Rest. Getrennt betrachtet versteht man den Verlauf besser.
Fast jede Zeitreihe lässt sich aus drei Bestandteilen zusammensetzen. Wer sie getrennt betrachtet, versteht den Verlauf viel besser.
| Bestandteil | Bedeutung | Beispiel Stromverbrauch einer Werkhalle |
|---|---|---|
| Trend | langfristige Richtung nach oben oder unten | Über Jahre kommen neue Maschinen dazu, der Verbrauch steigt |
| Saison | sich wiederholendes Muster zu festen Zeiten | Tagsüber viel, nachts wenig, am Wochenende weniger, im Winter mehr Heizung |
| Zufall (Rauschen) | Schwankungen ohne erkennbare Ursache | Eine Maschine läuft zufällig etwas länger |
Wie ein Modell Muster fortschreibt
- Verlauf (bisherige Werte)
- Muster lernen (Trend, Saison)
- Zusatzwissen (Feiertage, Aktionen)
- Prognose (mit Streuung)
Das Modell lernt Trend und Saison aus der Vergangenheit und führt sie fort. Den Zufall kann es nicht vorhersagen.
Der Grundgedanke ist immer derselbe: Das Modell lernt aus der Vergangenheit Trend und Saison und führt sie weiter. Den Zufall kann es nicht vorhersagen, er bleibt als Streuung übrig. Einfache Verfahren mitteln die letzten Werte oder wiederholen die Woche davor mit einem Zuschlag. Anspruchsvollere machen aus den letzten Werten Spalten („gestern“, „vor einer Woche“) und lassen einen Baum oder ein Netz daraus lernen.
Gute Modelle bekommen auch Zusatzwissen, das die Zukunft schon kennt: Feiertage, geplante Aktionen, die Wettervorhersage. So erkennt das Modell, warum die Nachfrage am Freitag vor einem langen Wochenende anders ausfällt.
Die Grenze: was es noch nie gab
- Morgen: meist gut bis Nächstes Jahr: nur eine Richtung, Marker bei 80 Prozent: Unsicherheit wächst mit dem Abstand
Was in den Daten nie vorkam, sieht ein Modell nicht kommen. Je weiter voraus, desto größer der Fehler.
Ein Modell kennt nur die Vergangenheit. Ein Streik, eine neue Konkurrenz, eine Gesetzesänderung, ein Lieferengpass: Was in den Daten nie vorkam, kann das Modell nicht vorhersehen. Es schreibt dann einfach das alte Muster fort.
Dazu kommt: Je weiter du in die Zukunft schaust, desto größer wird der Fehler. Die Prognose für morgen ist meist gut, die für nächstes Jahr bestenfalls eine Richtung. Das ist keine Schwäche der Technik, sondern ein Merkmal der Zukunft.
Wartungsvorhersage: Maschinen zeigen Vorboten
- Früh: Lager schwingt stärker
- Später: Motor wird wärmer
- Dann: Warnung vom Modell
- Danach: Wartung wird geplant
Viele Ausfälle kündigen sich an. Ein Modell erkennt den Verlauf und warnt, bevor etwas bricht.
Ein wichtiger Einsatz im Betrieb ist die vorausschauende Wartung. Viele Maschinen kündigen einen Ausfall an: Die Schwingungen eines Lagers nehmen zu, ein Motor wird wärmer, der Stromverbrauch steigt langsam. Ein Modell lernt aus früheren Ausfällen, wie solche Verläufe aussehen, und warnt, wenn eine Maschine einem ähnlichen Verlauf folgt.
Der Nutzen ist planbar: Statt auf den Ausfall zu warten oder nach festem Kalender zu tauschen, wartest du, wenn es nötig wird. Die Schwierigkeit: Ausfälle sind selten, also gibt es wenige Lernbeispiele. Deshalb arbeitet man oft zusätzlich mit der Methode der nächsten Seite Auffälliges finden.
Prognosefehler messen
- Tag 1: 10 Stück
- Tag 2: 20 Stück
- Tag 3: 5 Stück
- Mittel: 11,7 Stück
Den Fehler bildest du aus den Abweichungen ohne Vorzeichen, gemittelt. Prüfen darfst du nur mit Werten, die zeitlich danach kamen.
Ob eine Prognose gut ist, merkst du erst später, wenn der echte Wert vorliegt. Dann vergleichst du beide. Ein einfaches Maß ist der mittlere Prognosefehler: die Abweichungen ohne Vorzeichen, gemittelt.
Beispiel: Vorhergesagt wurden an drei Tagen 100, 120 und 90 verkaufte Stück, tatsächlich waren es 110, 100 und 95. Die Abweichungen sind 10, 20 und 5. Zusammen 35, geteilt durch drei, ergibt rund 11,7 Stück im Mittel. Entscheidend ist der Vergleich mit der Faustregel „wie letzte Woche“. Nur wenn das Modell sie schlägt, lohnt es sich.
Eine Falle gibt es beim Prüfen: Du darfst Trainings- und Prüfdaten nicht zufällig mischen. Das Modell würde dann Werte „vorhersagen“, deren Nachbarn es schon kannte. Trenne nach Zeit: trainiere mit der Vergangenheit, prüfe mit dem, was danach kam.
Unsicherheit zeigen und Daten frisch halten
- 410 bis 480 kWh morgen, Beispielbereich
- 4 von 5 Fällen liegt der Wert darin
- 1 von 5 liegt außerhalb
Ein Bereich ist ehrlicher als eine einzelne Zahl. Und er sagt dir, wie viel Puffer du brauchst.
Eine einzelne Zahl täuscht Genauigkeit vor. Besser ist ein Bereich: „Der Verbrauch liegt morgen wahrscheinlich zwischen 410 und 480 Kilowattstunden.“ Dieses Unsicherheitsband wird mit dem Abstand zur Gegenwart breiter. Es sagt dir, wie viel Puffer du einplanen musst. Ein Bereich, der „in vier von fünf Fällen“ gilt, heißt: In einem von fünf Fällen liegt der Wert auch außerhalb.
Außerdem altern Prognosen. Fällt ein Sensor aus, kommen Werte verspätet an oder ändert sich der Prozess, rechnet das Modell mit Daten, die nicht mehr stimmen. Prüfe deshalb, wie aktuell die Eingaben sind, und lass das Modell regelmäßig mit neuen Daten nachlernen. Das behandelt die Lektion Vom Prototyp in den Betrieb.