Refine
Year of publication
- 2022 (2)
Document Type
- Master's Thesis (1)
- Article (unreviewed) (1)
Language
- German (2) (remove)
Keywords
- Prognose (2) (remove)
Institute
Open Access
- Closed (1)
- Closed Access (1)
Geschäftsleiter von Kapitalgesellschaften und Genossenschaften müssen beim Treffen riskanter Entscheidungen ihrer rechtlichen Sorgfaltspflicht genügen. Eine wichtige Voraussetzung dafür ist, zum Entscheidungszeitpunkt angemessen informiert zu sein. Die praktische Umsetzung dieser Forderung stellt insbesondere für die unsicheren Prognosen der Zielwirkungen alternativer Handlungsmöglichkeiten eine beträchtliche Herausforderung dar. Der vorliegende Beitrag erörtert die Fragen, wie sich prognosebezogene Informationen in ihrer Qualität abstufen lassen und welche Überlegungen für die Bestimmung einer angemessenen Information vorzunehmen sind.
Für die Prognose von Zeitreihen sind bezüglich der Qualität der Vorhersagen heutzutage neuronale Netze und Deep Learning das Mittel der Wahl. LSTM-Netzwerke etablierten sich dazu als eine gut funktionierende Herangehensweise. 2017 wurde der auf Attention basierende Transformer für die Übersetzung von Sprache vorgestellt. Aufgrund seiner Fähigkeit mit sequenziellen Daten zu arbeiten, ist er auch für Zeitreihenprobleme interessant. Diese wissenschaftliche Arbeit befasst sich mit der Vorhersage von Zeitreihen mit einem Transformer. Es wird analysiert, inwiefern sich ein Transformer für Zeitreihenvorhersagen von einem Transformer für Sprachübersetzungen unterscheidet und wie gut die Vorhersagen im Vergleich zu denen eines LSTM-Netzwerkes abschneiden. Dazu werden ein LSTM- und ein Transformer-Netzwerk auf Luftqualitäts- und Wetterdaten in Berlin trainiert, um den Feinstaubgehalt (PM25) in der Luft vorherzusagen. Die Ergebnisse werden mit einem Benchmark-Modell anhand von Evaluationsmetriken verglichen. Anschließend wird evaluiert, wie die Fehler des Transformers reduziert werden können und wie gut der Transformer generalisiert.