Zeitreihendaten

Zeitreihendaten sind Messwerte, die in zeitlicher Reihenfolge aufgezeichnet werden. Typisch erfolgt die Erfassung in regelmäßigen Abständen wie stündlich, täglich oder monatlich. Jede Beobachtung umfasst einen Zeitstempel und einen oder mehrere Messwerte. Zeitreihen zeigen Abhängigkeiten zwischen aufeinanderfolgenden Werten, wodurch Merkmale wie Trend, Saisonalität und Zufallsrauschen entstehen. Zentrale Konzepte sind Stationarität (konstanter Mittelwert und Varianz) und Autokorrelation.

Unterschieden werden univariate und multivariate Zeitreihen sowie regelmäßige und unregelmäßige Aufzeichnungen. Typische Formate sind Tabellen mit Zeitstempel und Messwerten (z. B. CSV) oder komplexere Strukturen wie Parquet.

Vorverarbeitung umfasst Umgang mit fehlenden Werten, Resampling auf eine einheitliche Frequenz, Detrending, Saisonalität entfernen sowie Skalierung. Modelle der klassischen Zeitreihenanalyse umfassen ARIMA, SARIMA, VAR und State-Space-Modelle; dazu kommen Kalman-Filter und exponentielle Glättung. Maschinelles Lernen wird genutzt, etwa Prophet oder LSTM, insbesondere bei komplexen Mustern.

Anwendungen finden sich in Finanzen, Meteorologie, Energie- und Ressourcenmanagement, Verkehr und Produktion. Prognosen werden mit MSE, RMSE, MAE oder MAPE bewertet; zeitbasierte Cross-Validation oder Hold-out-Strategien kommen zum Einsatz.

Herausforderungen sind Nicht-Stationarität, saisonale Strukturen, Ausreißer, fehlende Werte und Änderungen der Zeitreihenstruktur, die Modellwahl und -bewertung beeinflussen.