26. August 2024 — Leichteres Training von Prognosemodellen anhand von Daten aus der realen Welt¶

Wir teilen Ihnen hiermit mit, dass die ML-Funktion für Zeitreihenprognosen nun Funktionen für die Vorverarbeitung enthält, die es Ihnen ermöglichen, ein Prognosemodell erfolgreich zu trainieren, selbst wenn Ihre Trainingsdaten fehlende, doppelte oder falsch ausgerichtete Zeitschritte aufweisen. In der Vergangenheit haben solche Probleme, die bei realen Daten häufig auftreten, in der Regel verhindert, dass das Modell trainiert werden konnte. Diese Funktionen sind:

• Sie können die Kadenz eines Ereignisses manuell festlegen, falls das Modell sie nicht oder falsch ableitet.

• Das Modell kann fehlende Zielwerte aus nahe gelegenen Zeitschritten interpolieren.

• Das Modell kann Dimensionswerte von Ereignissen, die außerhalb der kanonischen Ereigniskadenz auftreten, auf verschiedene Weise aggregieren, und Sie können Aggregationsverhaltensweisen für die Art des Wertes oder pro Spalte festlegen.

Eine relativ geringe Anzahl solcher Korrekturen beeinträchtigt die Vorhersagegenauigkeit nicht merklich.

Weitere Informationen dazu finden Sie unter Der Umgang mit Daten aus der realen in der Zeitreihenprognose.