Data Science
Energy Load Forecasting mit Darts
Rolling-Window-Backtesting-Pipelines für die Lastprognose in Gebäuden: LightGBM, NHiTS, TSMixer und ein robuster saisonaler Baseline-Vergleich.
Python Darts LightGBM NHiTS TSMixer pandas MLflow
Worum geht’s
Im Rahmen meiner Tätigkeit am Fraunhofer ISE habe ich Lastprognose-Pipelines für Gebäude aufgebaut. Das Projekt zeigt, wie man mit Darts reproduzierbar verschiedene Modellklassen gegen eine starke saisonale Baseline (GlobalNaiveSeasonal) testet.
Architektur
- Rolling-Window-Backtesting: jedes Modell wird über mehrere Forecast-Horizonte und Fenster evaluiert
- Modelle: LightGBM (Gradient Boosting), NHiTS (Neural Hierarchical Interpolation), TSMixer, gegen
GlobalNaiveSeasonalals unverhandelbare Baseline - Pipeline: deterministische Daten-Preprocessing, Feature-Engineering (Lag-Features, Kalender-Features), Hyperparameter-Tuning
- MAE / RMSE / sMAPE pro Horizont in einer einheitlichen Ergebnistabelle
Was ich gelernt habe
Die saisonale Baseline ist überraschend stark bei Energy-Lasten. Ohne sie übersieht man, wie viel “Performance” eines komplexen Modells einfach vom Wochengang kommt. Reproduzierbarkeit (gleicher Seed, gleiche Splits, gleiche Metrik) ist im Forecasting wichtiger als das fancy Modell.