Artificial Neural Network (ANN)

Zeitreihenvorhersagen finden in vielen Geschäftsfeldern eine Verwendung: im E-Commerce für die Schätzung der Kundennachfrage, in der Finanz- und Kreditanalyse zur Analyse von Zahlungsausfällen. Mithilfe von künstlichen neuronalen Netzen lassen sich Modelle kreieren und trainieren, die Vorhersagen treffen können – inspiriert von den biologischen Zellen unseres Gehirns und der treibenden Kraft des Deep Learning.

Multilayer Perzeptron (MLP)

Ein Perzeptron ist die einfachste Form eines neuronalen Netzes mit einem oder mehreren Eingängen und einem Ausgang. Das Netz wird trainiert, indem es für schlechte Vorhersagen die Variablen zwischen Eingängen und Ausgängen stärker modifiziert als für gute Vorhersagen.

Beim Multilayer Perzeptron werden mehrere Neuronen in mehreren Schichten gruppiert. Zwischen Eingangs- und Ausgangsschicht lassen sich beliebig viele Hidden Layer einfügen, wobei jede Schicht mit der nächsten verbunden ist.

Wie werden MLPs trainiert?

Für das Training von MLPs wird Backpropagation angewendet. Der Algorithmus trifft eine Vorhersage (forward pass), ermittelt per Vergleich den Messfehler und durchläuft rückwärts alle Schichten (reverse pass), um die Variablen individuell anzupassen. Diese Optimierungsmethode nennt sich „Gradient Descent".

Wie sehen konkrete praktische Anwendungsgebiete aus?

ANNs können branchenübergreifend gewinnbringend eingesetzt werden – zur Ermittlung von Immobilienpreisen, zur Spam-Klassifizierung oder zur Vorhersage der Fahrtbahn bei autonomem Fahren mittels Recurrent Neural Networks.

Recurrent Neural Network (RNN)

RNNs wurden für die Sequenzanalyse und -vorhersage entwickelt. Sie unterscheiden sich von klassischen ANNs dadurch, dass die Eingänge nicht nur in eine Richtung laufen, sondern auch wieder zurück – das Netz behält die Eingänge im Gedächtnis.

Es gibt drei Arten von Sequenzproblemen: One-to-Many, Many-to-One und Many-to-Many. Für das Zeitreihenproblem sind die letzten zwei interessant. Bei Many-to-Many können aus 10 Eingängen die nächsten 2 oder auch die nächsten 20 Ausgänge vorhergesagt werden.

Für weniger komplexe Zeitreihen-Probleme, wie es bei den meisten Unternehmen der Fall sein wird, schießen RNNs wahrscheinlich über das Ziel hinaus.

Welches neuronale Netz für das Zeitreihenproblem?

Es gibt viele weitere Arten von neuronalen Netzen. Convolutional Neural Networks (CNNs) haben sich für Zeitreihenprobleme als sehr gut bewährt, selbst simple MLPs können gute Ergebnisse erzielen. Für das Zeitreihenvorhersage-Problem gibt es leider keine eindeutige Lösung. Es ist auch nicht untypisch, mehrere Modelle zu kombinieren und sogenannte Hybrid-Modelle zu kreieren.

Trial-and-Error

Die Antwort lautet Trial-and-Error. Dank einer Vielzahl an öffentlichen Bibliotheken lassen sich bewährte bestehende Modelle für den eigenen Use-Case finden und visualisieren. Diese Modelle kann man testen und nach Belieben Parameter anpassen, bis es das eigene Problem löst.

Fazit

Deep Learning mit Hilfe von künstlichen neuronalen Netzen ist enorm wertvoll, um Zeitreihenvorhersagen für diverse Unternehmensfragestellungen zu erstellen. Mit Tools wie AutoML lassen sich die für die Netze benötigten optimalen Parameter sogar durch maschinelles Lernen bestimmen. Man darf sich nicht vor den Begriffen Machine Learning oder Deep Learning abschrecken lassen – es lohnt sich, diese Technologien auszuprobieren.