Forecast App einfach nutzen
Die Forecast App wurde so gestaltet, dass auch Einsteiger ohne große Erfahrung mit Künstlichen Intelligenzen schnell und einfach Prognosen für ihre Daten erstellen können. Diese Anleitung zeigt dir Schritt für Schritt, wie du die App auf die simpelste Weise nutzen kannst, ohne technisches Vorwissen.
1. Was brauchst du, um loszulegen?
GAI (Global Asset Identifier): Die eindeutige Kennung des Assets, für das du eine Prognose erstellen möchtest. Beispiel:
"asset_1234"
.Zielattribut (target_attribute): Der Name des Attributwerts, den du vorhersagen möchtest. Beispiele:
"temperature"
,"energy_usage"
. -> Target Attribute: Worauf sollte man achten?forecast_length: Gibt an, wie weit in die Zukunft die Prognose reichen soll (z. B. 2 Werte in die Zukunft). -> Was bewirkt die "forecast_length"?
context_length: Gibt an, wie viele vergangene Werte betrachtet werden sollen, um die Prognose zu erstellen (z. B. 10 vorherige Datenpunkte). -> Was ist die "context_length" und wie sollte sie gewählt werden?
Eine einfache Anfrage könnte so aussehen:
{
"gai": "Target GAI",
"target_attribute": "target attribute",
"forecast_length": 2,
"context_length": 10
}
Diese kann einfach in der App per /assets post gesendet werden und schon fängt die App an das Modell zu trainieren.

Was passiert nach dem Abschicken der Anfrage?
Sobald das JSON in der App abgeschickt wurde, führt die App die folgenden Schritte aus:
Erstellen eines Forecast-Attributs: Die App erstellt automatisch ein neues Attribut im angegebenen Asset, in dem die vorhergesagten Werte für das Zielattribut mit den entsprechenden zukünftigen Zeitstempeln gespeichert werden. Der Name des Forecast-Attributs folgt diesem Format:
{target_attribute}_forecast_{forecast_length}
Beispiel:
Wenn das Zielattribut
energy_usage
ist und dieforecast_length
auf3
gesetzt wurde, erstellt die App ein Attribut mit dem Namenenergy_usage_forecast_3
.Dieses Attribut speichert die Vorhersagewerte mit Zeitstempeln, die der Vorhersagedauer entsprechen.
Training des Modells: Die App beginnt automatisch mit dem Training eines Modells basierend auf den angegebenen Parametern (
context_length
,forecast_length
,feature_attributes
usw.).Dynamische Vorhersagen bei neuen Datenpunkten:
Nach Abschluss der ersten Trainingsepochen wird das Modell gespeichert und die App schreibt mit jedem neuen Datenpunkt, der in das Zielattribut (
target_attribute
) geschrieben wird, die vorhersage für den nächsen wert in das Forecast-Attribut.Diese Vorhersagen haben immer den entsprechenden zukünftigen Zeitstempel, basierend auf der
forecast_length
.
Mehr zum detailierten Ablauf der Forecast App:
Ablauf der Forecast AppLast updated
Was this helpful?