Ich werde ein Zeitreihen-Prognosemodell für Energie- und Sensordaten erstellen

Die meisten Prognosemodelle wirken im Backtest genau, scheitern aber in der Produktion. Der Grund ist fast immer derselbe: zufällige Kreuzvalidierung bei zeitlich geordneten Daten und ein einzelnes Modell, das über verschiedene Regime hinweg trainiert wird, die sich unterschiedlich verhalten.

Ich baue Prognosemodelle auf Zeitreihen- und Sensordaten, die so validiert werden, wie sie tatsächlich genutzt werden.

WAS DU BEKOMMST

- Ein Modell, das auf strikt chronologischen Aufteilungen trainiert und validiert wurde, niemals gemischt

- Ehrliche Genauigkeitsmetriken (MAE, RMSE, R²), die pro Regime berichtet werden, anstatt als ein einziger, schmeichelhafter Durchschnitt

- Eine klare Aussage darüber, wo das Modell zuverlässig ist und wo nicht

MEIN REFERENZPROJEKT

Ein 24-Stunden-Windenergie-Prognosesystem in Produktion, validiert auf zwei unabhängigen Standorten mit unterschiedlichen Windklimaten und einer regimekalibrierten Architektur. Sieh dir mein Portfolio für die gemessenen Ergebnisse an.

BEKANNTE ANWENDUNGSFÄLLE

Energiebedarf und -erzeugung, industrielle Sensordaten, Anlagen- und Lastenprognosen, jegliches Signal, bei dem die zeitliche Reihenfolge eine Rolle spielt.

AM BESTEN FUNKTIONIERT ES MIT

Historischen Daten mit Zeitstempeln, idealerweise 6+ Monate. Schreib mir eine Nachricht mit deiner Dataset-Größe und deinem Ziel, bevor du bestellst, und ich sage dir ehrlich, ob es ausreicht.