• Hannes Grunert

• Konzeption

• Evaluation

• Pflicht: Vorlesung Data Science oder Data Warehouses

Für Vorhersagen wurden Machine-Learning-Modellen für unterschiedliche Anwendungsbereiche entwickelt. Zu diesen Verfahren zählen XGBoost, LSTMs oder Prophet, die zur Vorhersage des Wetters, von Energiepreisen oder anderen numerischen Messgrößen eingesetzt werden. Bei einigen Anwendungen, etwa bei der Prognose von Energiepreisen, wurde beobachtet, dass unterschiedliche Modelle unter verschiedenen Bedingungen, beispielsweise in unterschiedlichen Jahreszeiten, unterschiedlich gut abschneiden können, selbst wenn saisonale Effekte berücksichtigt werden. Während ein Modell im Winter eine hohe Prognosegüte erreichen kann, erzielt ein anderes Modell ggf. im Sommer bessere Ergebnisse.

Ein Ansatz besteht darin, von einem Prognosemodell zu einem anderen zu wechseln, sobald das aktuell verwendete Modell schlechter performt als ein zweites Modell. Für einige Anwendungen kann ein solcher Wechsel jedoch zu spät erfolgen. Ziel dieser Masterarbeit ist es, zu untersuchen, inwieweit Methoden zur Erkennung von Trendumkehrungen genutzt werden können, um Veränderungen in der Modellgüte frühzeitig zu erkennen und einen früheren Wechsel zu einem geeigneteren Prognosemodell zu ermöglichen. Dazu sollen verschiedene bestehende Prognosemodelle verglichen und mit Methoden zur Trendumkehranalyse kombiniert werden.

Die Evaluation des Ansatzes soll anhand bestehender Anwendungen und Datensätze erfolgen. Mögliche Beispiele sind die Vorhersage von Energiepreisen auf Basis des SMARD-Datensatzes oder die Vorhersage von Feinstaubbelastungen unter Verwendung von Daten von luftdaten.info. In der Evaluation sollen mindestens zwei Szenarien betrachtet werden.

• Literaturanalyse
  • Trend Reversal
  • Vorhersagemethoden
  • Evaluation von ML-Modellen
• Konzeption
  • Auswahl geeigneter Vorhersagemethoden
  • Auswahl ein oder mehrerer Methoden zum Trend Reversal
  • Formalisierung der Bedingung zum Wechsel zwischen Vorhersagemodellen
• Implementierung des Konzepts
  • Integration bestehender Vorhersagemethoden
  • Implementierung der Methoden zum Trend Reversal
  • Dokumentation
• Evaluation
  • Definition einer Qualitätsmetrik
  • Test der Implementierung mit verschiedenen Vorhersagemethoden

• Programmiersprache nach Wahl

• Michael Fellmann, Angelina Clara Schmidt, Hannes Grunert, Baidar Bukht: My Energy to the Moon? Combining Human Energy Tracking with Financial Chart Analysis for Advanced Desktop Work-Life Tracking. In: HCII 2024, 26th International Conference on Human-Computer Interaction, Washington DC, USA, 29 June - 4 July 2024
• BTW 2025 Data Science Challenge, URL: btw2025.gi.de/data-science-challenge

Weitere Literatur wird zu Beginn der Arbeit bekanntgegeben.