Automatische Parameter

Die Forecast App speichert und verwaltet automatisch zusätzliche Parameter, die während des Trainings und Forecastings erstellt oder aktualisiert werden. Diese Parameter sorgen dafür, dass das Modell effizient funktioniert, korrekt aktualisiert wird und genaue Vorhersagen liefert.

Automatische Parameter im Überblick

1. datalength

   • Beschreibung: Gibt an, auf wie vielen Datenpunkten das letzte Modell trainiert wurde.

   • Verwendung: Wird genutzt, um zu prüfen, ob abhängig vom Wert percentage_data_when_to_retrain ein neues Training erforderlich ist.

   • Beispiel: Wenn datalength = 1000 und percentage_data_when_to_retrain = 1.15, wird das Training erst dann neu gestartet, wenn mindestens 1150 Datenpunkte vorhanden sind.

2. latest_timestamp

   • Beschreibung: Zeitstempel, der angibt, auf welchem Stand sich das LSTM-Modell derzeit befindet.

   • Verwendung: Wird für das Forecasting genutzt, um sicherzustellen, dass Vorhersagen auf dem aktuellsten Stand der Daten basieren.

   • Beispiel: Wenn latest_timestamp = "2024-06-01T12:00:00", bedeutet das, dass das Modell alle Daten bis zu diesem Zeitpunkt verarbeitet hat.

3. processing_status

   • Beschreibung: Gibt den aktuellen Status des Trainings- und Forecasting-Prozesses an.

   • Mögliche Werte:

     • new: Training oder Forecasting hat noch nicht begonnen.

     • start_training: Das Initialtraining des Modells wurde gestartet.

     • training: Das Modell wird aktuell trainiert.

     • forecasting: Es werden aktuell Vorhersagen berechnet.

     • start_hyperparameter_search_training: Die Hyperparameter-Suche wurde gestartet und das Training der ersten Modellkonfiguration beginnt.

     • start_hyperparameter_training: Ein spezifisches Hyperparameter-Set wird getestet und trainiert.

     • Saving best model on epoch end / continue training next epoch : Das beste Modell der aktuellen Epoche wurde gespeichert, das Training wird für die nächste Epoche vorbereitet.

     • Saving best model on trial end / continue training next trial: Das beste Modell des aktuellen Hyperparameter-Trials wurde gespeichert, die Suche wird mit dem nächsten Trial fortgesetzt.

     • done_training: Das Training wurde erfolgreich abgeschlossen.

     • not enough data for training: Es stehen nicht genügend Datenpunkte zur Verfügung, um das Modell zu trainieren.

     • start_re_training: Ein Nachtraining des Modells wurde gestartet, da neue Daten hinzugekommen sind.

     • continue training next epoch: Das Training wird für die nächste Epoche fortgesetzt.

     • continue training next trial : Die Hyperparameter-Suche wird mit dem nächsten Trial fortgesetzt.

   • Verwendung: Hilft Ihnen, den Fortschritt und Zustand des Modells zu überwachen.

4. scaler

   • Beschreibung: Gibt an, wie die Daten skaliert wurden, bevor sie an das Modell übergeben wurden.

   • Details: Die App skaliert alle Daten automatisch in den Bereich -1 bis 1, um sicherzustellen, dass sie optimal für das LSTM-Modell vorbereitet sind.

   • Warum wichtig?

     • Machine-Learning-Modelle, insbesondere LSTMs, benötigen skalierte Daten für ein stabiles und genaues Training.

5. state

   • Beschreibung: Speichert die States der Schichten (Layers) des LSTM-Modells zum Zeitpunkt des latest_timestamp.

   • Verwendung: Die States ermöglichen es dem Modell, beim Forecasting den aktuellen Zustand zu berücksichtigen und präzise Vorhersagen zu treffen.

   • Beispiel: Bei zeitabhängigen Vorhersagen, wie Energieverbrauch oder Temperatur, sorgen gespeicherte States dafür, dass der letzte bekannte Zustand als Ausgangspunkt für neue Prognosen genutzt wird.