open_access
Refine
Year of publication
- 2022 (1)
Document Type
- Master's Thesis (1) (remove)
Language
- German (1)
Has Fulltext
- yes (1)
Is part of the Bibliography
- no (1)
Keywords
Institute
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.