Forecast & Training starten

Forecast Details

Element	Titel	Details
[A]	Allgemeine Konfiguration	Übergeordneter Block mit allen Einstellungen für das Prognose-Modell.
[A1]	Asset	Das ausgewählte Asset dessen Daten für die Prognose verwendet werden.
[A2]	Target Attribute	Attribut, für das die Vorhersage berechnet wird.
[A3]	Feature Attributes	Liste zusätzlicher Attribute (Minute, Stunde, Wochentag …); sie dienen als Eingangs-Features für das Modell.
[A4]	Forecast length	Anzahl Zeitschritte, die in die Zukunft prognostiziert werden.
[A5]	Context length	Länge des historischen Kontextfensters, das das Modell pro Vorhersage berücksichtigt.
[A6]	start/stop training	Schalter zum Starten/Stoppen des Trainingslaufs.
[A7]	start/stop forecasting	Schalter zum Aktivieren/Deaktivieren der laufenden Vorhersage.
[B]	Info	Status-Panel mit Laufzeit-Informationen.
[B1]	Forecast Status	Zeigt, ob die Vorhersage aktiv/inaktiv ist und wenn aktiv zeigt in welchem Zustand sich der Forecast befindet
[B2]	Training Status	Zeigt den Status des Trainings aktiv/inaktiv und in welchen Zustand sich das Training befindet.
[B3]	DOC	Link zur Online-Dokumentation der Forecast-App.
[C]	Forecast Chart	Diagramm mit Ist- und Prognosewerten.
[C1]	Legende – Istwert	Kennzeichnet die gemessenen Sensordaten (Actual humidity).
[C2]	Legende – Prognose	Kennzeichnet die berechneten Vorhersagen (Forecast humidity).
[C3]	Prognose Linie	Zeigt die vorhersage als linie im chart.

Forecast starten & Training starten

Die Forecast App erlaubt es, das Modelltraining und die laufende Vorhersage unabhängig voneinander zu aktivieren. Beide Prozesse laufen im Hintergrund parallel, folgen jedoch unterschiedlichen Aufgaben und Abläufen. Die nachfolgenden Abschnitte erklären die Funktionsweise, Abhängigkeiten und empfohlene Vorgehensweise.

Training starten

Ziel: Trainiert ein neues LSTM-Modell auf Basis der aktuell verfügbaren historischen Daten.

Ablauf:

• Der Trainingsprozess wird über den Schalter Train [A6] gestartet.

• Das Modell wird mit den aktuellen Einstellungen für forecast_length, context_length und feature_attributes trainiert.

• Während des Trainings wird fortlaufend das jeweils beste Modell (gemessen an der Validation Loss) automatisch zwischengespeichert.

Wichtig:

• Der Trainingsstatus wird im Info-Panel angezeigt.

• Nach erfolgreichem Abschluss erscheint der Hinweis: → Training completed successfully. Waiting for enough data to retrain.

Automatischer Re-Train: Nach dem initialen Training wird das Modell automatisch neu trainiert, sobald mindestens 10 % mehr Datenpunkte verfügbar sind als beim letzten Durchlauf. → Beispiel: Wurde ein Modell auf 10 Monaten Daten trainiert, startet das nächste Training, sobald ein weiterer Monat an Daten hinzugekommen ist.

---

Forecast starten

Ziel: Erstellt auf Basis des zuletzt trainierten Modells laufende Vorhersagen für neue, eingehende Datenpunkte.

Ablauf:

• Der Forecast wird über den Schalter Forecast [A7] aktiviert.

• Die App prüft, ob ein trainiertes Modell vorhanden ist. Nur dann kann die Vorhersage beginnen.

• Neue Vorhersagewerte werden automatisch erzeugt und im Asset als Attribut gespeichert (siehe → Ausgabeattribut des Forecasts).

Hinweis: Wenn noch kein Modell vorhanden ist (z. B. nach dem erstmaligen Anlegen), kann keine Vorhersage erfolgen. In diesem Fall erscheint im Status: → Waiting for model to be trained.

---

Empfehlung zur Reihenfolge

Um zuverlässige Ergebnisse zu erzielen, empfiehlt es sich:

1. Zuerst das Training zu starten

2. Nach erfolgreichem Abschluss dann den Forecast zu aktivieren

So vermeiden Sie, dass erste Vorhersagen auf einem nicht trainierten oder schlecht konvergierten Modell basieren.

---

Technische Begriffe im Statusbereich

Begriff	Bedeutung
Epochs	Anzahl der vollständigen Trainingsdurchläufe über den gesamten Datensatz.
Validation Loss (val_loss)	Fehlerkennzahl auf den Validierungsdaten. Zeigt, wie gut das Modell generalisiert. Je niedriger, desto besser.

Diese Werte helfen dabei, die Qualität des Trainingsprozesses einzuschätzen.

---

Ausgabeattribut des Forecasts

Beim Starten des Forecasts oder des Trainingsprozesses erstellt die Forecast App automatisch ein neues Attribut im ausgewählten Asset. Dieses Attribut enthält die berechneten Vorhersagewerte und steht systemweit zur Verfügung.

Namensschema: [target_attribute]_forecast_[forecast_length]

Beispiel: Wird das Attribut temperature mit einer forecast_length von 12 prognostiziert, lautet der Name des automatisch erzeugten Ausgabeattributs: → temperature_forecast_12

Hinweis: Dieses Attribut kann überall in Eliona verwendet werden – z. B. in Dashboards, Rules, Visualisierungen oder dem Calculator. Es verhält sich wie ein reguläres Asset-Attribut und wird automatisch mit den neuesten Vorhersagewerten aktualisiert.