Datenanalyse: Python für die Zeitreihenvorhersage nutzen

Exponentielle Glättung ist ein einfach anzuwendendes Verfahren, um aus Zeitreihen Prognosen abzuleiten und lässt sich in Python auf bereinigte Daten anwenden.

Artikel verschenken
In Pocket speichern vorlesen Druckansicht 3 Kommentare lesen
Lesezeit: 18 Min.
Von
  • Dr. Roland Pleger
Inhaltsverzeichnis

Ob es sich um Temperaturvorhersagen, Milchproduktion oder den Ertrag von Fotovoltaikanlagen handelt, all diese Bereiche unterliegen saisonalen Schwankungen. Will man diese Schwankungen bei Vorhersagen berücksichtigen, hat man es mit Zeitreihenanalyse zu tun. Schwergewichtige Verfahren wie SARIMAX oder rekurrente neuronale Netze liefern Prognosen. Aber auch die Python-Bibliothek statsmodels kann Zeitreihen in die Zukunft fortschreiben und bei einer ersten Vorhersage helfen.

Wie so oft bei der Analyse großer Datenmengen beschränkt sich der Auswertealgorithmus auf wenige Zeilen Code. Die Hauptarbeit liegt in der Datenbereinigung, bei der pandas hilft. Dieser Artikel zeigt, wie eine dreifache exponentielle Glättung, auch Holt-Winters-Methode genannt, Zeitreihen mit drei Parametern für den Fit und einem Parameter für die Saisonalität überzeugend über mehrere Zeitschritte fortschreibt. Trotz der wenigen Parameter prognostiziert das Verfahren die Zukunft nicht wesentlich schlechter als die komplexeren Verfahren.

Mehr zu Data Science / Datenanalyse
Dr. Roland Pleger

Dr. Roland Pleger arbeitet beim Institut für Softwaretechnologie des Deutschen Zentrums für Luft- und Raumfahrt (DLR). Er ist begeistert von den Möglichkeiten, die Python für das Prototyping von Software bietet.

Begleitend zum Artikel liegen alle Bearbeitungsschritte als vollständiges Jupyter-Notebook auf GitHub bereit, weshalb sich die hier gezeigten Listings auf die wesentlichen Details beschränken.