PID-Boosting steigert Genauigkeit neuronaler Netzwerke bei Zeitreihenprognosen

Die Vorhersage von Zeitreihen in mehreren Schritten ist für Entscheidungsträger in vielen Industriezweigen unverzichtbar. Künstliche Intelligenz, insbesondere neuronale Netzwerke, wird zunehmend eingesetzt, doch die Komplexität dieser Modelle bleibt ein entscheidendes Hindernis für die Genauigkeit der Prognosen.

In der vorliegenden Studie wird ein neuer Ansatz vorgestellt, der sich an der klassischen PID‑Regelung (proportional, integral, derivative) orientiert. Der Booster wird auf den vorhergesagten Wert jedes Zeitschritts angewendet und zieht ihn schrittweise näher an den tatsächlichen Wert. Dabei bleibt die Systemkomplexität nahezu unverändert, was die Methode besonders attraktiv für praktische Anwendungen macht.

Als Fallstudie dient die Vorhersage des Wasserverbrauchs. Zwei tiefen neuronale Netzwerke aus der Literatur wurden mit dem PID‑Booster kombiniert, um die Mehrschritt‑Prognose zu verbessern. Die Ergebnisse zeigen deutlich, dass die Genauigkeit der Vorhersagen steigt, während die Modellkomplexität kaum zunimmt.

Um die Übertragbarkeit des Ansatzes zu demonstrieren, wurde der Booster auch auf ein neuronales Netzwerk zur Vorhersage des stündlichen Energieverbrauchs angewendet. Der Vergleich der ursprünglichen Modelle mit den verbesserten Versionen bestätigt die Überlegenheit des PID‑Boosters sowohl in Bezug auf die Vorhersagegenauigkeit als auch auf die Systemkomplexität.