Machine Learning und Deep Learning Verfahren zur Analyse und Prognose von Zeitreihen

Seminarziel

Die Teilnehmer lernen Schritt für Schritt, wie moderne Machine Learning- und Deep Learning-Verfahren komplexe Muster in Zeitreihendaten erkennen können, die klassischen statistischen Methoden verborgen bleiben.
Im Seminar werden alle notwendigen Grundlagen zu Machine Learning, neuronalen Netzen und generativer KI praxisnah vermittelt, sodass keine tieferen Vorkenntnisse erforderlich sind. Sie erwerben fundiertes Wissen über neuronale Netze und aktuelle Deep-Learning-Ansätze wie rekurrente neuronale Netze (RNNs), Long Short-Term Memory-Netze (LSTMs), sowie TiREX und Amazon DeepAR. 
Ein besonderer Schwerpunkt liegt auf den neuesten Transformer-basierten Zero-Shot Foundation-Modellen wie Chronos (Amazon), TimesFM (Google), Moirai (Salesforce) und THUML-Timer-XL, deren Prinzipien ähnlich wie bei ChatGPT funktionieren. 
Ziel ist es, die Teilnehmer zu befähigen, diese innovativen Modelle eigenständig für Prognosen von univariaten, multivariaten sowie exogenen Zeitreihen einzusetzen und schrittweise von traditionellen zu fortgeschrittenen Vorhersagetechniken überzugehen.

Inhalt

• Einführung und Grundlagen
  • Zielsetzung und Relevanz von Forecasting in Wirtschaft, Technik und Wissenschaft
  • Einführung in Zeitreihenbegriffe (Saisonalität, Trend, Stationarität etc.)
  • Überblick über den methodischen Fortschritt - von Statistik bis generativer KI
• Klassische Verfahren der Zeitreihenanalyse
  • Grundlagen statistischer Zeitreihenmodelle - Lineare Modellierung mit MA(q), ARIMA, VARIMA
  • Erweiterte Modelle für Saisonalität und externe Einflussgrößen - Holt-Winters, SARIMAX, Prophet
  • Einschränkungen klassischer Ansätze - Herausforderungen bei nichtlinearen, nichtstationären und hochdimensionalen Daten
• Machine Learning Verfahren
  • Maschinelles Lernen für Zeitreihenprognosen
  • Baumbasierte Modelle - Decision Tree, Random Forest, XGBoost, LightGBM
  • Nichtlineare Verfahren - Support Vector Machines (SVM), k-Nearest Neighbors (kNN)
  • Modellauswahl & Performancevergleich - Cross-Validation, Hyperparameter-Tuning, Metriken wie RMSE, MAE, R²
• Neuronale Netze für komplexe Zeitreihenstrukturen
  • Einführung in Deep Learning für Zeitreihen - Motivation, Vorteile gegenüber klassischen Verfahren
  • Modellarchitekturen im Überblick - MLP, RNN, LSTM, TCN, BiTCN, TiDE, DeepAR, N-BEATS
  • Anwendungsbereiche & Modellierungsszenarien - Umgang mit univariaten, multivariaten und exogenen Zeitreihen
• Transformer-basierte Modelle und generative KI für Zeitreihen
  • Grundlagen der Transformer-Architektur - Self-Attention, Encoder-Decoder-Prinzip, Inspiration durch GPT & Co.
  • Spezialisierte Modelle für Zeitreihen - Transformer, iTransformer, DLinear, NLinear, PatchTST
  • Skalierbarkeit und Performance - Stärken bei großen, komplexen und hochdimensionalen Zeitreihen
• Foundation-Modelle für Zeitreihenprognosen
  • Überblick über aktuelle Foundation-Modelle - Time-LLM, Chronos (Amazon), TimeGPT, Moirai (Salesforce), TimesFM (Google)
  • Architektur, Einsatzgebiete und Vorteile dieser Modelle
  • Architektur und Besonderheiten - vortrainierte generative Modelle für Zeitreihen
  • Einsatzszenarien und Vorteile - Zero-/Few-Shot-Learning, Transferfähigkeit, hohe Prognosequalität bei komplexen Daten
• Praxisanwendungen und Fallstudien
  • Einsatzfelder im Überblick - Business Forecasting, Finanzmärkte, Energie & Umwelt, Web & Tech, IoT & Industrie 4.0
  • Fallstudien mit realen Daten - Anwendung ausgewählter Modelle auf branchenspezifische Fragestellungen
  • Modellvergleich in der Praxis - Bewertung von Prognosequalität, Robustheit und Interpretierbarkeit
• Zusammenfassung, Toolübersicht und Ausblick
  • Methodenwahl in der Praxis - Auswahl geeigneter Ansätze abhängig von Datenlage, Ziel und Komplexität
  • Werkzeuge und Frameworks für die Umsetzung - Prophet, NeuralForecast, Hugging Face, GluonTS, Skforecast u.a.
  • Blick in die Zukunft - Trends in Forecasting & KI: Foundation Models, Multi-Modality, AutoML und Edge Forecasting