Time Series Forecasting – zu Deutsch Zeitreihenvorhersage – ist enorm wertvoll für viele Unternehmen und für viele Bereiche der Forschung. Zum Beispiel werden Zeitreihen analysiert, um das Kunden- bzw. Konsumentenverhalten zu prognostizieren, Temperaturtrends beschrieben oder Lager, Logistik und Absatzmöglichkeiten besser zu planen.

Im ersten Schritt werden die Merkmalsausprägungen mehrerer einzelner Zeitpunkte analysiert. Im weiteren Schritt wird versucht, aus den Ergebnissen zukünftige Entwicklungen und Trends zu extrapolieren.

Zeitreihenanalyse

Eine Zeitreihenanalyse beschreibt die statistische Analyse einer Sequenz von Datenpunkten. Die Analyse und Modellierung von Zeitreihen ist notwendig, um im weiteren Schritt Zeitreihenprognosen zu erstellen.

Zeit-basierte Methoden

• ›Autokorrelation: Messung der linearen Abhängigkeit zwischen einer Zeitreihe und einer zeitlich verzögerten Version dessen. Wird genutzt, um Trends und Muster innerhalb der Zeitreihe zu bestimmen.
• ›Kreuzkorrelation: Entspricht im Grunde der Autokorrelation, aber die Abhängigkeit wird zwischen zwei unterschiedlichen Variablen in unterschiedlichen Zeitreihen analysiert. Findet oft Anwendung zur Synchronisation ähnlicher Signale.

Explorative Methoden

• ›Clustering: Datenpunkte werden mithilfe von maschinellem Lernen anhand von Ähnlichkeiten in Gruppen organisiert. Bei der Sales-Analyse im Einzelhandel gilt es z. B., Umsatzeinbrüche zu clustern und zu analysieren.
• ›Klassifizierung: Setzt ebenfalls auf maschinelles Lernen, um Zeitreihen einer bestimmten Klasse zuzuordnen. Ein bestehendes Datenset aus klassifizierten Zeitreihen dient zum Training des Modells.

Zeitreihenvorhersage

Es gibt im Grunde zwei Ansätze: qualitativ (Expertenmeinungen, Umfragen) und quantitativ (Auswertung von Daten). Zu den gängigsten quantitativen Methoden gehören gleitende Durchschnitte, Autoregression und deren Kombinationen.

Gleitende Durchschnitte, Autoregression und ARIMA

• ›Gleitende Durchschnitte: Bilden einen Durchschnittswert aus Daten von fortlaufenden vergangenen Perioden. Durch Glättung oder Gewichtung (z. B. exponentiell gewichteter gleitender Durchschnitt) lassen sie sich weiter modifizieren.
• ›Autoregression: Bei Zeitreihen, in denen Beobachtungen von sich selbst abhängig sind, können Vorhersagen mittels einer Regressionsgleichung getroffen werden. Eine effektive und häufig angewendete Methode.
• › ARMA/ARIMA: Das Autoregressive Moving Average-Modell (ARMA) kombiniert Autoregression und gleitende Durchschnitte. ARIMA ist eine Weiterentwicklung, die um Differenzierung und Integration ergänzt wird – geeignet für nicht-stationäre Zeitreihen.

Fazit

Data Science ermöglicht es vielen Unternehmen, die Analysen von Zeitreihen zu visualisieren und zu modellieren. Technologien wie Python oder R haben alle nötigen Kits, um selbständig visuelle Charts und Modelle für Prognosen zu erstellen. Die Prognose-Modelle bieten sich für eine Vielzahl von Anwendungsfällen an: Gesundheitsprognosen, Businessprognosen, Finanzprognosen, Wetterprognosen und Handelsprognosen – um nur ein paar Beispiele zu nennen.