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

Zielsetzung & Themen

Diese Arbeit untersucht, ob die Kombination mehrerer künstlicher neuronaler Netzwerke zu einem Ensemble die Prognosequalität im Vergleich zu einzelnen Netzwerken steigern kann oder ob dies einen unwirtschaftlichen Mehraufwand darstellt.

• Grundlagen konventioneller und neuronaler Prognoseverfahren
• Struktur und Lernvorgang künstlicher neuronaler Netzwerke
• Prozess der Prognoseerstellung und Limitationen des Single-Keep-The-Best (KTB) Ansatzes
• Methoden der Ensemble-Erstellung (Variation von Startwerten, Topologien und Trainingsdaten)
• Kombinationsregeln und optimale Ensemble-Größe

Auszug aus dem Buch

Zusammenfassung der Kapitel

1 EINLEITUNG: Einführung in die Thematik der Prognoseerstellung und Darlegung der zentralen Forschungsfrage bezüglich der Effektivität von Neural Network Ensembles.

2 KONVENTIONELLE PROGNOSEVERFAHREN: Überblick über klassische naive, qualitative und quantitative Prognosemethoden sowie deren Abgrenzung zu neuronalen Ansätzen.

3 KÜNSTLICHE NEURONALE NETZE: Erläuterung der Grundlagen, des Aufbaus, der Netzwerktopologie sowie des Lernvorgangs mittels Backpropagation-Algorithmus.

4 PROGNOSE MITHILFE KÜNSTLICHER NEURONALER NETZE: Untersuchung der spezifischen Eigenschaften neuronaler Netze für Prognosezwecke und Beschreibung des Prozesses der Prognoseerstellung sowie Limitationen des KTB-Ansatzes.

5 KOMBINATION KÜNSTLICHER NEURONALER NETZE ZUR PROGNOSEERSTELLUNG: Detaillierte Analyse der Erstellung variierender Netzwerke, der Kombinationsmöglichkeiten und der Bestimmung der optimalen Ensemble-Größe.

6 FAZIT UND AUSBLICK: Zusammenfassende Bewertung der Ergebnisse und Identifikation zukünftiger Forschungsfelder für die Kombinationsprognose.

Schlüsselwörter

Prognoseerstellung, Künstliche neuronale Netzwerke, Neural Network Ensemble, Zeitreihenprognose, Backpropagation, Datenvariation, Partitionierung, Bagging, Boosting, Generalisierung, Prognosegüte, KTB-Ansatz, Neuronale Topologie, Modelloptimierung, Stacking

Häufig gestellte Fragen

Worum geht es in dieser Arbeit grundsätzlich?

Die Arbeit befasst sich mit der Nutzung von künstlichen neuronalen Netzwerken zur Prognoseerstellung und untersucht, inwiefern die Kombination mehrerer solcher Netzwerke (Neural Network Ensembles) die Prognosequalität verbessert.

Was sind die zentralen Themenfelder der Arbeit?

Zentrale Themen sind der Vergleich konventioneller Prognosemethoden mit neuronalen Netzen, der Aufbau und das Training neuronaler Architekturen sowie diverse Techniken zur Ensemble-Bildung und -Kombination.

Was ist die primäre Forschungsfrage?

Die zentrale Frage ist, ob die Kombination mehrerer neuronaler Netzwerke die erreichbare Prognosequalität tatsächlich signifikant erhöht oder ob sie lediglich einen unwirtschaftlichen Mehraufwand an Ressourcen darstellt.

Welche wissenschaftliche Methode wird verwendet?

Es handelt sich um eine theoretische Arbeit, die auf einer umfassenden Literaturanalyse und der Auswertung empirischer Studien aus der Wissenschaft und Praxis basiert.

Was wird im Hauptteil der Arbeit behandelt?

Im Hauptteil werden zunächst die Limitationen einzelner neuronaler Netze (KTB-Ansatz) analysiert, gefolgt von verschiedenen Methoden zur Erstellung variierender Netzwerke (z.B. Variation von Startwerten oder Trainingsdaten) und abschließend deren Kombination zu Ensembles.

Welche Schlüsselwörter charakterisieren die Arbeit?

Zu den wichtigsten Begriffen zählen Neural Network Ensemble, Prognoseerstellung, Generalisierung, Backpropagation, Datenvariation, Bagging und Boosting.

Was ist das "Single-Keep-The-Best" (KTB) Verfahren?

Der KTB-Ansatz beschreibt die Methode, durch Trial-and-Error viele verschiedene Netzwerkkonfigurationen zu testen und lediglich das Modell mit der besten Performance für die Prognose auszuwählen.

Warum wird die Kombination von Netzwerken als vorteilhaft angesehen?

Die Kombination hilft, die Limitationen einzelner Modelle zu überwinden, indem die individuellen Stärken verschiedener Netzwerke genutzt werden, um die Generalisierungsfähigkeit zu erhöhen und das Risiko grober Fehleinschätzungen zu senken.

Welche Rolle spielt das "Verrauschen" von Daten?

Das Verrauschen dient als Methode der Datenvariation, um künstlich neue, aber inhaltlich verwandte Zeitreihen zu erzeugen. Dies ermöglicht das Training mehrerer Netzwerke auf ähnlichen Daten, was die Prognosefehler der einzelnen Modelle unkorreliert macht und somit die Gesamtgüte des Ensembles verbessert.