Vorhersage von Wärmebedarfen mit Temporal Fusion Transformern

Die Realisierung probabilistischer Prognosen mit bestmöglicher Interpretierbarkeit ist für Unternehmen von zunehmendem Interesse. Durch das Training spezifischer Modelle für einzelne Modalitäten gehen zudem standortübergreifende Zusammenhänge verloren, die oft hilfreich sind, um die Komplexität adäquat zu erfassen und zuverlässige Prognosen zu erstellen.

Ansätze zur Data Fusion gehen dieses Problem an, indem sie Daten aus mehreren Modalitäten zusammenführen. Am Beispiel von Wärmebedarfsprognosen für verschiedene Systeme bei Iqony wird in diesem Vortrag gezeigt, wie diese Hürden mithilfe eines Temporal Fusion Transformer überwunden werden können.

Vorkenntnisse

• Zuhörer:nnen sollten grundlegende Kenntnisse in Zeitreihen, Machine Learning- und Deep Learning- Architekturen besitzen.
  
• Kenntnisse über Transformer-Architekturen sind hilfreich, aber nicht zwingend notwendig.

Lernziele

• Es wird die Motivation hinter dem Einsatz von Temporal Fusion Transformern (TFTs) gegenüber anderen Vorhersagemodellen an Hand des Anwendungsbeispiels von Iqony erläutert.
  
• Es werden die Herausforderungen und Learnings, die im Rahmen der Implementierung der TFTs auftraten, diskutiert.
  
• Ziel ist es, den Teilnehmenden einen Überblick zu den Anwendungszwecken von TFTs zu geben, und Kenntnisse zur eigenen Implementierung zu vermitteln.