Bedarfsprognose & Modell-Benchmarking
Pipeline für Zeitreihenprognosen, die ARIMA/SARIMA-Baselines mit LSTM-Modellen vergleicht, um zu klären, ob sich die zusätzliche Modellkomplexität rechtfertigen lässt.
Überblick
Ein Anwendungsfall aus der Planung erforderte Prognosen auf Basis verrauschter historischer Zeitreihen. Die eigentliche Frage war nicht „Lässt sich ein Modell bauen?“, sondern „Ist ein Modell gut genug, um damit zu planen, und bringt zusätzliche Komplexität überhaupt etwas?“
Die Arbeit lief in zwei getrennten Durchgängen im Abstand von etwa einem Jahr. Dieser Abstand reichte, damit der zweite Durchgang eine echte Neubewertung war und keine Fortsetzung.
Vorgehen
Erster Durchgang: eine statistische Baseline
ARIMA/SARIMA-Modelle mit statsmodels. Klassisch, interpretierbar und leicht zu begründen: Es ging darum festzustellen, was ein konventionelles Verfahren leistet, bevor aufwendigere Methoden zum Einsatz kommen.
Zweiter Durchgang: LSTM-Modelle
Das Problem wurde mit LSTM-Netzen in TensorFlow/Keras erneut angegangen, trainiert auf multivariaten Zeitreihen mit rollierenden Evaluationsfenstern.
Jeder Prognosehorizont wurde an Baselines gemessen, nicht am Bauchgefühl. Erst die statistische Baseline aus dem ersten Durchgang machte dieses Urteil überhaupt möglich.
Was ich daraus mitnehme
Erfahrung in vergleichender Prognose, in der Bewertung von Verlässlichkeit und darin, den produktiven Einsatz als etwas zu behandeln, das sich ein Modell erst verdienen muss, statt als selbstverständliches Ergebnis eines Modellierungsprojekts. Zu vermitteln, was ein Modell nicht leisten kann, gehört zum Ergebnis und ist keine Randnotiz dazu.