Kombinationsprognose mit neuronalen Netzen

Inhaltsverzeichnis

1 Einleitung
1.1 Themenvorstellung und Zielsetzung
1.2 Gang der Arbeit

2 Konventionelle Prognoseverfahren
2.1 Naive Verfahren
2.2 Qualitative Verfahren
2.3 Quantitative Verfahren
2.3.1 Zeitreihenprognose
2.3.2 Kausale Prognoseverfahren

3 Künstliche neuronale Netze
3.1 Aufbau und Funktionsweise künstlicher neuronaler Netze
3.1.1 Das Neuron
3.1.2 Die Netzwerktopologie
3.2 Der Lernvorgang künstlicher neuronaler Netzwerke
3.2.1 Der Backpropagation-Algorithmus

4 Prognose mithilfe künstlicher neuronaler Netze
4.1 Eigenschaften künstlicher neuronaler Netze in Bezug auf die Prognose
4.1.1 Datengetrieben und selbst anpassend
4.1.2 Generalisierbarkeit
4.1.3 Abbildbarkeit jeder kontinuierlichen Funktion
4.1.4 Nichtlinearität
4.2 Anwendungsgebiete
4.3 Prozess der Prognoseerstellung
4.4 Zeitreihenmodellierung durch ein MLP - Netz
4.5 Limitationen des KTB Ansatzes

5 Kombination künstlicher neuronaler Netze zur Prognoseerstellung
5.1 Die Erstellung variierender Netzwerke
5.1.1 Variation der Startwerte
5.1.2 Variation der Topologien
5.1.3 Variation bzw. Manipulation der Trainingsdaten
5.2 Die Kombination der Netzwerke
5.2.1 Die einfache Durchschnittsbildung
5.2.2 Die gewichtete Durchschnittsbildung
5.2.3 Die Größe des NNE
5.3 Gegenüberstellung der Verfahren der Kombinationsprognose

6 Fazit und Ausblick

Literaturverzeichnis