7. Prognosemodelle

Im Kap. 7 wird die Approximation der Prognose von Internetlasten mit Julia behandelt. Zunächst erläutern wir den aktuellen Stand der Modellentwicklung. Klassische Prognosemodelle mit linearen Approximationen werden von den nichtlinearen Modellen mit neuronalen Netzen abgelöst. Nach der Beschreibung der wesentlichen Modellmerkmale werden repräsentative Beispiele vorgestellt. Das Perzeptronennetz als Grundelement der Approximation wird implementiert. Wir erklären die Lernformeln und überführen diese gleich in den Julia-Programmcode. Nachdem der Lernalgorithmus erklärt wurde, ersparen wir uns die weitere Programmierung komplexerer Lernaufgaben, da dies vom komfortablen Julia-Modul Flux.jl übernommen wird. Anhand unkorrelierter und korrelierter künstlich erzeugter sowie realer Daten werden Potenziale und Einschränkungen der Prognose analysiert. Für die selbstständige Arbeit mit den Programmen wird vor der Prognoseberechnung die Entfernung von Outliern mit der Tukey-Methode vorgeschlagen. Ein realer Datensatz mit Lastmessungen in Minutenintervallen über 66 Tage wird zur Suche nach Mustern bereitgestellt.