@masterthesis{Allwardt2024, type = {Bachelor Thesis}, author = {Allwardt, Arne}, title = {Analyse von Machine-Learning-Methoden zur synthetischen Erzeugung von Zeitreihen}, doi = {10.25933/opus4-3201}, url = {http://nbn-resolving.de/urn:nbn:de:kobv:522-opus4-32017}, school = {Technische Hochschule Brandenburg}, pages = {74}, year = {2024}, abstract = {In der Dom{\"a}ne der Zeitreihen besteht ein Mangel an qualitativ hochwertigen Daten, was die Leistungsf{\"a}higkeit von Deep-Learning-Modellen beeintr{\"a}chtigen kann. Diese Arbeit untersucht Data-Augmentation-Methoden im Bereich von Zeitreihen, welche dieses Problem adressieren. Dabei werden insbesondere Machine-Learning-Verfahren (Autoencoder, Variational Autoencoder, TimeGAN) untersucht und mit algorithmischen Ans{\"a}tzen (Jittering, Time Warping) verglichen. Die Methoden werden anhand der Kriterien {\"A}hnlichkeit, Diversit{\"a}t und N{\"u}tzlichkeit bewertet. Die Ergebnisse zeigen, dass algorithmische Verfahren konsistent bessere Ergebnisse liefern als Machine-Learning-Methoden. Zudem wird festgestellt, dass der Einsatz generativer Machine-Learning-Verfahren nur dann sinnvoll ist, wenn das generative Modell weniger komplex ist als das Modell, welches die synthetischen Daten letztlich verwenden soll.}, subject = {Maschinelles Lernen}, language = {de} }