Prognoseverfahren künstlicher Intelligenz

Zur Prognose von Zeitreihen liegen verschiedene Prognoseverfahren vor. Eine Gruppe von Verfahren kann dem Bereich der künstlichen Intelligenz zugeordnet werden. Dies sind beispielsweise Prognoseverfahren, die auf künstlichen neuronalen Netzen, Support Vector Machines, Fuzzy Logik, Evolutionären Algorithmen etc. basieren. Kennzeichnet für diese Verfahren ist, dass Zusammenhänge meist approximativ ohne analytische Modellbildung beschrieben werden. Ziel ist die Schaffung von Prognosesystemen für komplexe Problemstellungen, die automatisiert durch die Vorgabe von Algorithmen intelligente Lösungen generieren. Die Modellbildung erfolgt in der Regel auf Basis von historischen Daten aus denen die Beziehungen zwischen Eingangsdaten und Ausgangsdaten gelernt werden. Daher ist bei der Modellerstellung und Kalibrierung iterativ vorzugehen. Die Modellparameter werden schrittweise angepasst bis der Prognosefehler ausreichend klein ist.

Zur Prognose von Lastgängen werden beispielsweise häufig künstliche neuronale Netze eingesetzt. Diese werden anhand von historischen Daten trainiert, um die Zusammenhänge zwischen verschiedenen Eingangsgrößen und dem resultierenden Lastgang zu lernen. Das Training erfolgt iterativ. In jedem Trainingsschritt wird das Netz modifiziert, um die Abweichung zwischen den Prognosedaten und den Zieldaten zu minimieren. Das trainierte Netz wird dann zu Prognosezwecken auf bisher unbekannten Daten eingesetzt.

Synonym(e):

Vorhersageverfahren künstlicher Intelligenz

Englische Übersetzung(en):

artificial intelligence forecasting techniques, artificial intelligence prediction techniques