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