Zeitreihenvorhersage mit Neuronalen Netzen

Abstract

In dieser Arbeit wird untersucht, inwiefern Zeitreihen mithilfe von neuronalen Netzen vorhergesagt werden können. Dafür werden die Netz-Architekturen FFNN, LSTM, Autoencoder und CNN verwendet. Die Versuchsdurchführung ist so konzipiert, dass ein Vergleich zwischen den Architekturen anhand von drei Experimenten umgesetzt wird, welche sich in ihrer Komplexität unterscheiden. In den ersten beiden Versuchen werden Modelle darauf trainiert, eine Zahlenreihe und die Sinuskurve fortzuführen, wobei das LSTMModell und der Autoencoder die niedrigsten Abweichungen zu den Testdaten aufweisen. Der dritte Versuch basiert auf öffentlichen Energiedaten von Deutschland. Anhand von stündlichen und täglichen Solarprognosen wird festgestellt, dass LSTM-CNN-Modelle die größtenteils besten Ergebnisse erzielen. In der Vorhersage von Solardaten ist ein Trend zur steigenden Energieerzeugung durch Solarstrom zu erkennen.

This study analyses whether time series can be predicted by using the neural network architectures FFNN, LSTM, Autoencoder and CNN. The comparison was accomplished by three experiments using different levels of complexity. In the first two experiments, models are trained to continue a series of numbers and the sine curve, with the LSTM model and the Autoencoder archieving the lowest deviations from the test data. The third experiment is based on public energy data from Germany. Using hourly and daily solar forecasts, LSTM-CNN models achieve mostly the best results. It was possible to determine a trend towards an increased energy production by solar power in the future.