Institut für Informatik | |
Karsten Moranz |
Zweitgutachter: Prof. Dr. Volker Sperschneider
Ein in der Arbeitsgruppe Praktische Informatik entwickeltes System zur Zeitreihenprognose/-darstellung sollte erweitert werden, um neue Erkenntnisse bzgl. der Prognosegüte zu erhalten und Prognosen vergleichbar zu machen.
Das bestehende System enthält im wesentlichen Module für die Zeitreihen(vor)verarbeitung, das Prognosetool und die Darstellung in einer grafischen Oberfläche. Die Interaktion mit dem User geschieht über mehrere Parameterfiles.
Die Aufgabe war, neben dem vorhandenen Prognosetool den Stuttgarter Neuronale Netze Simulator (kurz: SNNS) in das System einzubinden und die Kompatibilität zu bestehenden Konventionen zu wahren. Desweiteren sollen Analysemöglichkeiten der Netzstruktur und der Eingabedaten bereitgestellt werden.
Durch die Integration von SNNS werden verschiedene Netztopologien und Lernverfahren benutzt. Insbesondere werden in SNNS implementierte Lernverfahren der jeweiligen Problemstellung angepaßt (Stichwort: Fehler- oder Zielfunktion).
Um verschiedene Parametereinstellungen für dieselbe Prognose vergleichbar zu machen, wird die Methode der Kreuzvalidierung angewandt, die letztendlich ein Fehlermaß für diese Einstellungen liefert.
Um möglichst optimale Netztopologien zu finden, werden Pruningverfahren (Verfahren, in denen nicht-signifikante Neuronen während des Netztrainings ausgeschlossen werden) verwandt. Die Signifikanz der verbleibenden Neuronen (und natürlich die Nicht-Signifikanz der geprunten Neuronen) kann mit Hilfe einer Sensitivitätsanalyse bestätigt werden.
Auch die Eingabedaten sollten optimiert werden, d.h. Daten, die das Netz verwirren, werden entfernt. Teilweise geschieht dies in der Vorverarbeitung. Eine weitere Möglichkeit, Daten zu entfernen, bietet das Verwenden spezieller Netzarchitekturen (Kohonen-Netze), die ein Clustering der Eingabedaten vornehmen. Anhand vom Benutzer festzulegender Parameter werden bestimmte Clusterinhalte (Eingabedaten) entfernt und somit dem Netz vorenthalten. Dies bewirkt eine Verbesserung der Prognosegüte.
Zum Testen der Algorithmen stehen u.a. Abverkaufs-, Wirtschafts-, Sonnenflecken-, CO2- und künstlich erzeugte Zeitreihen zur Verfügung.
© FB06, Universität Osnabrück Webserver-Team |