Im Rahmen dieser Diplomarbeit wird ein Problem der Klassifikation und Prognose von Zeitreihen bearbeitet. Es behandelt die Vorhersage von Verkaufszahlen. Ein führender amerikanischer Hersteller von Glühbirnen möchte Produktion und Vertrieb effizienter gestaltet. Daher ist es von entscheidender Bedeutung, gute Prognosen über die eintretenden Verkaufsmengen erstellen zu können. Eine breite Auswahl unterschiedlicher Produkte führt zu einer großen Menge auftretender Daten. Diese Daten dienen als Ausgangspunkt für die vorgenommene Untersuchungen.
Inhaltsverzeichnis
- 1 Einführung
- 1.1 Aufgabe
- 1.2 Problemstellung
- 1.2.1 Prognose
- 1.2.2 Visualisierung
- 1.3 Rahmenbedingungen: Ein Praktikum bei der Firma Siemens
- 1.4 Überblick über die zeitliche Entwicklung
- 1.5 Die Wahl der Programmiersprache
- 1.6 Aufbau der Datenbasis
- 2 Grundlagen
- 2.1 Methoden der Regression
- 2.2 Die Modellbildung
- 2.3 Klassifikation
- 3 Problemanalyse und Lösungsansätze
- 3.1 Der Kennwert: volume weighted accuracy
- 3.2 Modelle
- 3.3 Notwendigkeit einer Klassifikation
- 3.4 Nullwerte
- 3.5 Weitere Modelle
- 3.6 Spitzenwerte
- 3.7 Unterteilung der Spitzenwerte
- 3.8 Der gleitende Durchschnitt
- 3.9 Trendwechsel
- 3.10 Negative Werte
- 3.11 Visualisierung
- 4 Systementwurf
- 4.1 Programmkomplexe und Namensgebung für Funktionen
- 4.2 Datenstruktur
- 4.2.1 Wert et abellen
- 4.2.2 Ergebnisdaten
- 4.3 Vorhersageberechnung
- 4.3.1 Vorbehandlungen der Datenbasis
- 4.3.2 Gleitwerte
- 4.3.3 Kennwerte
- 4.3.4 Klassifikation
- 4.3.5 Modelle
- 4.3.6 Nachbearbeitung der Vorhersagen
- 4.4 Komplex Kennwert berechnung
- 4.4.1 Die Ergebniskomponent en
- 4.4.2 Aufbau des Komplexes
- 4.5 Visualisierung
- 4.6 Ergänzende Systemteile
- 5 Ergebnisse der Prognosen
- 5.1 Vergleich mit kommerziellen Produkten
- 5.1.1 Manugistics
- 5.1.2 AutoBox
- 5.1.3 Die Modelle L0 bis L8
- 5.1.4 Wertung
- 5.2 Vergleich von Mittelwert und Median
- 5.3 Vorhersagezeitraum
- 5.4 Eine erste Klassifikation
- 5.5 Weitere Modelle
- 5.6 Eine erste Modellauswahl
- 5.7 Große Spitzen
- 5.7.1 Modellrechnung für große Spitzen
- 5.7.2 Entfernen großer Spitzen
- 5.8 Trendwechselpunkte
- 5.8.1 Effizienz der Trendwechselpunkterkennung
- 5.8.2 Parameter für Trendwechselpunkte
- 5.9 Verbesserte changepoint Erkennung
- 5.10 Menge der bekannten Werte
- 5.11 Einfluß von Rundungen
- 5.12 Schranke für Nulltendenzwerte
- 5.13 Post Hoc-Berechnungen
- 5.14 Rechenaufwand für die durchgeführten Berechnungen
- 5.15 Abschließende Wertung
- 5.1 Vergleich mit kommerziellen Produkten
- 6 Ausblick
- 6.1 Robustes Verhalten nach Trendwechsel
- 6.2 Andere, "side-values" für rMedian und lpVal
- 6.3 Klassifikation nur nach einem Wechselpunkt
- 6.4 Andere Modelle integrieren
- 6.5 Andere Klassen für bestimmte Zeitreihen
- 6.6 Korrelation bei Zeitreihen einer Region
- 6.7 Integration weiterer Merkmale; Verbesserung der Klassifikation
- 6.8 Abweichungen der Modellwahl von einer Post Hoc - Wahl
- 6.9 Implementation neuronaler Netze für Vorhersagen
- 6.10 Iteratives Eliminieren großer Spitzen
- Anhang
- A Begriffserläuterung
- A.1 Accuracy
- A.2 ACM
- A.3 AutoBox
- A.4 changepoint
- A.5 changepoint detection
- A.6 class Ave
- A.7 class Count
- A.8 class Dist Dia
- A.9 gleitender Durchschnitt
- A.10 große Spitze
- A.11 itemAve
- A.12 lag.x
- A.13 lp Val
- A.14 Manugistics
- A.15 month Ave
- A.16 null
- A.17 ODBC
- A.18 Oracle
- A.19 params
- A.20 peak
- A.21 perClass
- A.22 perItem
- A.23 perMonth
- A.24 Post Hoc
- A.25 Result
- A.26 Siemens Corporate Research
- A.27 Spitze
- A.28 SSP Siemens students program
- A.29 Trend wechsel
- A.30 volume weighted accuracy
- B Das Programmiersystem S-PLUS
- B.1 Allgemeines
- B.2 Syntax-Überblick
- B.3 Datentypen
- B.4 Arbeiten mit Vektoren
- B.5 Arbeiten mit Matrizen, Arrays und Dataframes
- B.6 Arbeiten mit Listen
- B.7 Funktionsdefinitionen
- B.8 Daten- und Programmstrukturen
- B.9 Datenaustausch
- C Weitere Ergebnisse der Prognosen
- D Implementierung ausgewählter Details
- D.1 Ergänzungen zur Datenstruktur
- D.1.1 Verschiedene Wertetabellen
- D.1.2 Verwaltung der Ergebnisse
- D.2 Die drei Programmkomplexe
- D.3 Protokollsystem
- D.3.1 Bezeichner
- D.3.2 Funktionsweise
- D.3.3 Drucken einer Zeile
- D.3.4 Ausgabe einzelner Zeichen
- D.3.5 Initialisierung des Systems
- D.3.6 Protokollklassen
- D.3.7 Aktueller Ausgabelevel
- D.3.8 Protokolldatei
- D.3.9 Zeitangaben
- D.3.10 Baumstruktur
- D.4 Datumsangaben
- D.4.1 Format des realDate
- D.4.2 Scannen des textuellen Datums
- D.4.3 Konvertierung in Textform
- D.5 Prognosesystem
- D.5.1 Vorbehandlung der Daten
- D.5.2 Die Einsprungfunktion
- D.5.3 Trendlinie
- D.6 Kennwert berechnung
- D.6.1 Die Funktion Accuracy
- D.6.2 Die Funktion monthlyAccs
- D.7 Diagrammgenerator
- D.8 Die Hilfsfunktion params Diff
- D.9 Die Hilfsfunktion list Data
- D.10 Die Hilfsfunktion listParams
- D.1 Ergänzungen zur Datenstruktur
- Literaturverzeichnis
- Selbstständigkeitserklärung
- A Begriffserläuterung
- Entwicklung eines Vorhersagesystems für Zeitreihen
- Berücksichtigung der Besonderheiten von Handels- und Wirtschaftsdaten
- Klassifikation von Zeitreihen anhand verschiedener Merkmale
- Strukturierte Programmierung mit S-PLUS
- Entwicklung eines durchgängigen Datenkonzepts
Zielsetzung und Themenschwerpunkte
Die Diplomarbeit zielt darauf ab, ein Vorhersagesystem für Zeitreihen zu entwickeln, das speziell auf die Bedürfnisse von Handel und Wirtschaft zugeschnitten ist. Das System soll die Besonderheiten in den vorgelegten Datenbeständen berücksichtigen und verschiedene Merkmale in den Reihen untersuchen. Die Arbeit präsentiert Lösungsansätze auf Basis einer Klassifikation und zeigt, wie mit dem System S-PLUS strukturiert programmiert werden kann. Ein durchgängiges Datenkonzept wird ebenfalls vorgestellt.
Zusammenfassung der Kapitel
Das erste Kapitel führt in die Thematik der Diplomarbeit ein und beschreibt die Aufgabe, die Problemstellung sowie die Rahmenbedingungen. Es werden die Ziele des Vorhersagesystems, die Besonderheiten der Daten und die Wahl der Programmiersprache S-PLUS erläutert. Das zweite Kapitel behandelt die theoretischen Grundlagen der Regression, der Modellbildung und der Klassifikation. Es werden verschiedene Methoden und Ansätze vorgestellt, die für die Entwicklung des Vorhersagesystems relevant sind. Das dritte Kapitel analysiert die Problemstellung und präsentiert Lösungsansätze. Es werden verschiedene Kennwerte, Modelle und Klassifikationsmethoden diskutiert, die für die Vorhersage von Zeitreihen relevant sind. Das vierte Kapitel beschreibt den Entwurf des Softwaresystems. Es werden die Programmkomplexe, die Datenstruktur und die Funktionsweise des Systems detailliert dargestellt. Das fünfte Kapitel präsentiert die Ergebnisse der Prognosen und vergleicht sie mit kommerziellen Produkten. Es werden verschiedene Modelle und Klassifikationsmethoden evaluiert und die Ergebnisse diskutiert. Das sechste Kapitel gibt einen Ausblick auf zukünftige Entwicklungen und Verbesserungen des Vorhersagesystems. Es werden verschiedene Ansätze und Möglichkeiten zur Erweiterung des Systems vorgestellt.
Schlüsselwörter
Die Schlüsselwörter und Schwerpunktthemen des Textes umfassen Zeitreihenanalyse, Prognose, Klassifikation, Datenanalyse, S-PLUS, Handelsdaten, Wirtschaftsdaten, Modellbildung, Visualisierung, Kennwerte, Datenstruktur, Systementwurf, Ergebnisse, Vergleich, Ausblick.
- Quote paper
- Stephan Wöbbeking (Author), 2001, Design und Implementation eines Softwaresystems für die Klassifikation und Prognose von Zeitreihen, Munich, GRIN Verlag, https://www.grin.com/document/185700
