Use Cases

Die Forecast App bietet vielseitige Einsatzmöglichkeiten zur Vorhersage von Werten aus verschiedenen Bereichen. Hier finden Sie konkrete Beispiele, die Ihnen Anregungen geben, wie Sie die App für Ihre individuellen Anforderungen nutzen können. Jedes Beispiel enthält zudem spezifische Empfehlungen für Feature Attributes und Konfigurationen, um das beste Ergebnis zu erzielen.

---

1. Energieverbrauchsvorhersage für optimierte Kostenplanung

Anwendungsfall:

Vorhersage des Energieverbrauchs in einem Gebäude oder einer Produktionsanlage, um Kosten zu optimieren und den Energieeinsatz effizient zu planen.

Feature Attributes:

• hour_of_day_sin, hour_of_day_cos: Erkennen tageszeitabhängige Muster (z. B. Energieverbrauch steigt tagsüber).

• day_of_week_sin, day_of_week_cos: Berücksichtigen Unterschiede zwischen Wochenenden und Werktagen.

• Temperatur: Als wichtiges Feature, da Energieverbrauch stark von der Witterung abhängt (z. B. Klimaanlagen oder Heizungen).

• Produktionsauslastung: Wenn relevant, als zusätzliches Attribut hinzufügen.

Empfohlene Konfigurationen:

• forecast_length: 6 (z. B. 30 Minuten in die Zukunft bei 5-Minuten-Daten).

• context_length: 72 (z. B. Daten der letzten 6 Stunden bei 5-Minuten-Intervallen).

• trainingparameters:

  • epochs: 100 (Energieverbrauchsmuster sind oft komplex).

  • patience: 10 (Geduldigeres Training für genauere Ergebnisse).

Nutzen:

• Identifikation von Spitzenlastzeiten zur Kostensenkung.

• Automatisches Regeln von Heiz- und Kühlsystemen, um Energie zu sparen.

• Vorausschauende Planung von Stromverträgen basierend auf Verbrauchsprognosen.

---

2. Besucherzahl-Prognose für Personalplanung

Anwendungsfall:

Vorhersage der Besucherzahlen in einem Geschäft, Freizeitpark oder öffentlichen Gebäude, um die Personalplanung und Ressourcenbereitstellung zu optimieren.

Feature Attributes:

• hour_of_day_sin, hour_of_day_cos: Für tageszeitabhängige Schwankungen.

• day_of_week_sin, day_of_week_cos: Unterschied zwischen Werktagen und Wochenenden.

• Feiertag-Attribut: Manuell hinzufügen (1 für Feiertag, 0 für kein Feiertag).

• Wetterlage: Temperatur, Regenwahrscheinlichkeit (optional).

Empfohlene Konfigurationen:

• forecast_length: 24 (z. B. Vorhersage der nächsten 24 Stunden).

• context_length: 168 (Daten der letzten 7 Tage, um Wochenmuster zu erkennen).

• trainingparameters:

  • epochs: 80

  • patience: 8

Nutzen:

• Optimale Planung der Anzahl an Mitarbeitern an stark frequentierten Tagen.

• Bereitstellung von Ressourcen (z. B. Kassen, Reinigungspersonal).

• Reduktion von Kosten an schwächeren Tagen.

---

3. Produktionsvorhersage in der Fertigung

Anwendungsfall:

Prognose der Produktionsauslastung oder -mengen in einer Fertigungslinie, um die Effizienz zu steigern und Ressourcen besser zu planen.

Feature Attributes:

• Maschinenlaufzeit: Als Attribut hinzufügen, falls verfügbar.

• hour_of_day_sin, hour_of_day_cos: Tageszeitliche Schwankungen der Auslastung.

• day_of_week_sin, day_of_week_cos: Unterschiede zwischen Wochentagen und Wochenenden.

• Materialbestand: Optional als zusätzliches Attribut zur Kontrolle der Ressourcen.

Empfohlene Konfigurationen:

• forecast_length: 8 (z. B. Vorhersage für die nächsten 8 Stunden bei 1-Stunden-Intervallen).

• context_length: 48 (z. B. Daten der letzten 2 Tage).

• trainingparameters:

  • epochs: 120

  • patience: 12

Nutzen:

• Reduktion von Produktionsengpässen durch vorausschauende Planung.

• Optimale Nutzung von Maschinen und Ressourcen.

• Minimierung von Stillstandszeiten.

---

4. Temperatursteuerung in Gebäuden

Anwendungsfall:

Vorhersage von Innen- oder Außentemperaturen, um Heizungs- oder Kühlsysteme effizient zu steuern.

Feature Attributes:

• hour_of_day_sin, hour_of_day_cos: Tageszeitliche Temperaturschwankungen.

• Außentemperatur: Optionales Feature für die Vorhersage der Innentemperatur.

• Sonneneinstrahlung: Falls verfügbar.

• Heizungsstatus: Optional als unterstützendes Feature.

Empfohlene Konfigurationen:

• forecast_length: 3 (z. B. Vorhersage der Temperatur in 15 Minuten bei 5-Minuten-Daten).

• context_length: 48 (Vergangene 4 Stunden).

• trainingparameters:

  • epochs: 50

  • patience: 5

Nutzen:

• Automatische Steuerung der Heizungs- oder Kühlsysteme zur Energieeinsparung.

• Komfortsteigerung für Bewohner oder Mitarbeiter.

• Senkung der Energiekosten.

---

5. Vorhersage von Finanzdaten (z. B. Kosten, Umsatz)

Anwendungsfall:

Prognose von Umsatz, Gewinn oder operativen Kosten zur Optimierung der Geschäftsplanung.

Feature Attributes:

• day_of_week_sin, day_of_week_cos: Wochenabhängige Umsatz- oder Kostenmuster.

• Feiertag-Attribut: 1 für Feiertag, 0 für kein Feiertag.

• Werbekampagnen: Manuell hinzufügen (1 bei Kampagne aktiv, 0 sonst).

• Historische Umsätze: Relative Veränderungen statt absoluter Zahlen (Differenz als Feature).

Empfohlene Konfigurationen:

• forecast_length: 30 (z. B. Monatsvorhersage bei täglichen Daten).

• context_length: 90 (Vergangene 3 Monate als Referenz).

• trainingparameters:

  • epochs: 150

  • patience: 15

Nutzen:

• Bessere Planbarkeit von Budgets und Ausgaben.

• Optimale Lagerbestandsplanung basierend auf Umsatzprognosen.

• Identifikation von Einsparpotenzialen durch Kostenprognosen.