Data Science
AutoTS Load Forecasting Pipeline
Automatisierte Lastprognose mit AutoTS: genetische Modellsuche, Rolling-Window-Evaluation übers ganze Jahr und Template-basierte Persistenz der besten Modelle.
Worum geht’s
Eine Pipeline zur Prognose des Stromverbrauchs von Gebäuden und Haushalten (Netzbezug in kW). Sie nutzt AutoTS, das per genetischem Algorithmus über Dutzende Modellklassen hinweg die beste Konfiguration sucht. Das Schwesterprojekt zu meiner Darts-Pipeline: gleiche Aufgabe, anderes Framework, anderer Automatisierungsgrad.
Aufbau
- Rolling-Window-Forecasting mit konfigurierbarem Horizont und Stride (Default: 6 Stunden): trainiert auf Januar, evaluiert rollierend Februar bis Dezember
- Wöchentliches Retraining: AutoTS’ genetische Suche läuft regelmäßig neu, die besten Modelle werden per Template-System persistiert (
export_template/import_template) und beim nächsten Lauf wiederverwendet - Probabilistische Forecasts: obere/untere Schranken über ein 95%-Prediction-Interval
- Sechs Metriken pro Lauf: RMSE, NRMSE, MAPE, Pearson r, Interval-Coverage und Intervallbreite
- SVG-Plots: Actual-vs-Forecast mit Konfidenzband plus Fehlerdifferenz-Plot, automatisch pro Datensatz generiert
Was ich gelernt habe
AutoML fürs Forecasting nimmt einem die Modellwahl ab, aber nicht das Validierungsdesign. Horizont, Stride und Retraining-Frequenz bestimmen das Ergebnis stärker als die Modellklasse. Und: Prediction-Interval-Coverage ist eine unterschätzte Metrik. Ein Modell, dessen 95%-Intervall nur 70% der Realität abdeckt, ist fürs Energiemanagement gefährlicher als eines mit etwas höherem RMSE.