Ein zentrales Problem in Wirtschaft und Wissenschaft ist die Prognose von Zeitreihen. Neben rein mathematisch-statistischen Techniken können auch Methoden aus dem Bereich der Künstlichen Intelligenz zur Prognoserechnung herangezogen werden: Neuronale Netze stellen eine Alternative für die Prognose von Zeitreihen dar.
In diesem Buch werden Algorithmen und Techniken der Zeitreihenverwaltung, -verarbeitung und -prognose unter besonderer Berücksichtigung Neuronaler Netze entwickelt und im Rahmen einer Applikation miteinander verbunden. Basierend auf realen Zeitreihendaten aus ganz unterschiedlichen Gebieten werden verschiedene Methoden zur Vorverarbeitung von Zeitreihen für die Prognose untersucht. Außerdem werden herkömmliche, statistische Prognoseverfahren mit der Prognose mit Hilfe Neuronaler Netze verglichen.
Neben selbst implementierten Verfahren sind dabei auch kommerzielle (GAUSS) und public domain Softwaretools (SNNS) in das System integriert, deren Zusammenspiel auf der Basis gleicher Daten realisiert wird. Wegen der erhöhten Anforderungen an die Rechenleistung wird auch die Implementation Neuronaler Netze auf MIMD-Parallelrechnern untersucht.
Das Buch gliedert sich in vier Teile: Nach einer Einführung in die Methodik Neuronaler Netze folgt eine kurze Beschreibung des eingesetzten Stuttgarter Neuronale Netze Simulators SNNS.
Der zweite Teil des Buches umfaßt nach einer kurzen Einführung in die Prognoserechnung die Prognose von Zeitreihen mit Neuronalen Netzen und die dafür notwendigen und implementierten Vorverarbeitungen.
Der dritte Teil stellt das entwickelte Prognosesystem mit den integrierten Verfahren Kreuzvalidierung, Sensitivitätsanalyse und Pruning Neuronaler Netze vor.
Im hinteren Teil des Buches werden für drei konkrete Anwendungen Zeitreihenprognosen mit dem entwickelten System durchgeführt und die experimentellen Ergebnisse verglichen und diskutiert: Zunächst werden ARIMA- und Regressionsmodelle beim Einsatz zur Prognose von volkswirtschaftlichen Zeitreihen mit Neuronalen Netzen verglichen.
Im folgenden wird eine Zeitreihe des täglichen CO2-Gehalts der Luft analysiert und prognostiziert. Im Vergleich zur Regression werden unterschiedliche Neuronale Netztypen und verschiedene Vorverarbeitungen untersucht.
Abschließend werden Multilayer-Perceptron-Netze mit Hilfe von Backpropagation-Verfahren darauf trainiert, die wöchentlichen Abverkaufszahlen von Produkten in einem Supermarkt vorherzusagen. Dazu werden mehrere externe Einflußfaktoren benutzt, die im Rahmen eines mehrjährigen Kooperationsprojekts erfaßt wurden.
Die Arbeit ist als Buch erschienen: