Zeitreihenvorhersage mit Python
Um aus Zeitreihen Prognosen abzuleiten, stehen verschiedene Methoden zur Verfügung. Die exponentielle Glättung ist ein einfach anzuwendendes Verfahren, das gute Ergebnisse bringt und sich in Python fast unmittelbar auf bereinigte Daten anwenden lässt.
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.
