Neues Deep-Lattice-Modell liefert probabilistische Vorhersagen für Zeitreihen

Probabilistische Vorhersagen geben mehr als nur einen Punktwert – sie liefern die gesamte Verteilung zukünftiger Ereignisse und können plötzliche Änderungen in Zeitreihen erfassen, die bei einer reinen Punktvorhersage oft übersehen werden.

Traditionell wurden CDFs in Vorhersagen nur über parametrierte Modelle abgebildet. Durch die Kombination von Deep-Lattice-Netzwerken mit monotonen Beschränkungen und LSTM‑Einbettungen ist es nun möglich, vollständige, nichtparametrische CDFs direkt zu prognostizieren.

Die Methode nutzt ein LSTM als Embedding‑Schicht, verteilt die Quantilwerte auf alle Sub‑Lattices eines DLN und erweitert die Ausgabelänge. Durch die monotone Struktur des DLN werden Quantilüberschneidungen vermieden, sodass ein konsistentes, mehrhorizontales CDF‑Forecasting entsteht.

In einer Testreihe mit stündlichen, tag‑vor‑Tag‑Vorhersagen der Sonneneinstrahlung zeigte die neue Technik eine Leistung, die dem aktuellen Stand der Technik entspricht, und demonstriert damit das Potenzial für praktische Anwendungen in der Energieprognose.