Prognoseleistung

Prognoseleistung bezeichnet die Güte der Vorhersagen eines Modells oder Systems. Sie beschreibt, wie nahe prognostizierte Werte den beobachteten Ergebnissen liegen, und dient der Bewertung, dem Vergleich und der Auswahl von Prognosemodellen. Die Prognoseleistung kann sich auf punktuelle Vorhersagen (numerische Werte) oder auf Wahrscheinlichkeitsverteilungen beziehen.

Für punktuelle Vorhersagen gängige Gütemaße sind MAE und RMSE, MAPE und sMAPE; weitere Kennzahlen wie MASE werden je nach Kontext genutzt. Diese Maße quantifizieren im Durchschnitt die Abweichung zwischen Prognose und Beobachtung. Sie unterscheiden sich in Richtung und Sensitivität gegenüber Ausreißern und in der Skalierung der Fehler.

Für probabilistische Vorhersagen werden Brier-Score, der logarithmische Verlust (NegLogLoss) und der Continuous Ranked Probability Score (CRPS) verwendet, die die Übereinstimmung zwischen vorhergesagter Verteilung und beobachteter Realität ausdrücken. Kalibrierung und Schärfe der Verteilungen werden separat bewertet, oft über Reliability-Diagramme und Calibration Slope.

Validierung erfolgt in der Regel out-of-sample, oft mit Zeitreihen- oder Rolling-Origin-Validierung. Benchmarks gegen Baselines wie naive Prognose oder saisonale Mittelwerte helfen bei der Einordnung der Prognoseleistung. Wichtig ist eine robuste Beurteilung unter Berücksichtigung von Unsicherheit und potenzieller Nicht-Stetigkeit der Daten.

Anwendungen finden sich in Meteorologie, Energie, Finanzwesen, Gesundheitswesen und weiteren Bereichen. Prognoseleistung hängt von Vorhersagehorizont, Datenqualität, Modellkomplexität und Unsicherheitsquantifizierung ab. Fehlinterpretationen oder Datenleckagen können die Bewertung verzerren; transparente Berichterstattung unterstützt fundierte Entscheidungen.