TY - THES A1 - Ghulam Zada, Taj Mohammad T1 - Machine-Learning-basiertes Forecasting des Elektromobilitätshochlaufs in Deutschland N2 - Forecasting is an important decision-making tool for businesses, organizations, and governments because it saves a lot of resources. The forecast of the market share of new BEV car registrations in Germany can help efficiently evaluate strategic and future-oriented decisions, e.g., the climate targets set by the federal government. Machine learning methods were used to implement forecasting. Two machine learning models were used to forecast of the market share of new BEV car registrations in Germany: SARIMA(X) and DeepAR model. Due to variety in input datasets, four univariate and multivariate time series analysis models were trained. Afterwards, all four trained models were compared with each other using the RMSE metric. The last six months of the dataset were used to evaluate the model quality. The result of model comparison shows that SARIMAX model needs the exogenous variables to create a forecast of the multivariate data sets. However, the DeepAR model does not require any exogenous variables to generate forecast. Furthermore, if the input dataset contains at least 300 observations, then the implementation of DeepAR model is much more advantageous than SARIMA(X) model. DeepAR model not only supports the univariate and multivariate datasets, but also creates a global model that generates a forecast per variable. This is a great advantage over the SARIMA(X) model, which is not capable of this. N2 - Forecasting ist eine wichtige Methode zur Entscheidungsfindung für Unternehmen, Organisationen und Regierungen, da so der Ressourcenverbrauch reduziert werden kann. Der Forecast des prozentualen Marktanteils der neuen BEV-PKW-Zulassungen in Deutschland kann helfen, um strategische und zukunftsorientierte Entscheidungen, z.B. die vom Bund gesetzten Klimaziele, besser steuern zu können. Zur Durchführung des Forecastings wurde der Einsatz unterschiedlicher Machine-Learning-Methoden ausgenutzt. Es wurden zwei Machine-Learning-Modelle für das Forecasting des prozentualen Marktanteils der BEV-PKW-Neuzulassungen in Deutschland verwendet: Die SARIMA(X)- und DeepAR-Modelle. Aufgrund der Unterschiede in den Eingabedatensätzen wurden vier Modelle der Univariate- und Multivariate- Zeitreihenanalyse trainiert. Mit Hilfe der RMSE-Fehlermetrik wurden die vier trainierten Modelle miteinander verglichen. Die letzten sechs Monate der Eingabedatensätze wurden zur Evaluierung der Modellqualität genutzt. Die Ergebnisse dieser Masterarbeit zeigen, dass das SARIMAX-Modell zur Erstellung einer Prognose der multivariaten Datensätze die exogenen Variablen benötigt. Allerdings braucht das DeepAR-Modell keine exogenen Variablen, um eine Prognose generieren zu können. Wenn der Eingabedatensatz mindestens 300 Zeitreihen beträgt, eignet sich das DeepAR-Modell besser als das SARIMA(X)-Modell. Das DeepAR-Modell unterstützt nicht nur die univariaten- und multivariaten Datensätze, sondern generiert auch ein globales Modell, wodurch eine Prognose je Variable erstellt wird. Das ist ein großer Vorteil gegenüber dem SARIMA(X)-Modell, welches dazu nicht in der Lage ist. KW - Forecasting KW - Time Series Analysis KW - SARIMA(X) KW - DeepAR KW - Hyperparameter Optimization KW - Battery Electric Vehicles (BEV), Elektromobilität Y1 - 2022 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:522-opus4-28784 ER -