Robustere Prognosen für dynamische Daten
Preise an Energiemärkten, Finanzdaten oder andere dynamische Zeitreihen können sich sprunghaft verändern. Für Unternehmen und Forschung ist es wichtig, solche Entwicklungen besser vorherzusagen, doch gerade stark schwankende Daten bringen heutige KI-Methoden an Grenzen.
Das Projekt entwickelt neue Verfahren für Energiemodelle, eine Klasse von KI-Modellen, die komplexe Zusammenhänge in vielen Dimensionen abbilden können. Ihr Schwachpunkt liegt im Lernen: Damit sie gute Prognosen liefern, müssen sie aus sehr vielen möglichen Zuständen geeignete Beispiele auswählen. Dieses Sampling ist bei dichten, volatilen Daten besonders schwierig und rechenintensiv. Die Forschenden entwickeln deshalb neue Sampling-Methoden, Aufmerksamkeitsmechanismen und Modellarchitekturen, die zeitliche Abhängigkeiten zuverlässiger erfassen sollen. Zunächst testen sie die Ansätze an künstlich erzeugten Daten, später an realen Zeitreihen aus Energie- oder Finanzmärkten.
Langfristig könnte daraus ein Werkzeug entstehen, das anspruchsvolle Prognosen robuster und effizienter macht und so bessere Entscheidungen in volatilen Märkten unterstützt.
