Transformer Meets Time-Series: Temporal Fusion Transformer im Einsatz

Die Realisierung von probabilistischen Vorhersagen bei bestmöglicher Interpretierbarkeit ist für Unternehmen von immer größer werdendem Interesse. Weiterhin gehen durch das Training spezifischer Modelle für einzelne Modalitäten (standort-)übergreifende Zusammenhänge verloren, die oft hilfreich sind, um die Komplexität hinreichend zu erfassen und zuverlässige Prognosen zu liefern.

Data-Fusion-Ansätze adressieren dieses Problem, indem Daten mehrerer Modalitäten wie Anlagen zusammengeführt werden.

Der Vortrag zeigt am Fallbeispiel von Wärmebedarfsprognosen multipler Anlagen bei STEAG New Energies, wie diese Hürden durch den Einsatz eines Temporal Fusion Transformers überwunden werden können.

Vorkenntnisse

• Vorkenntnisse im Bereich der Zeitreihenvorhersage von Vorteil
  
• Vorkenntnisse im Bereich des maschinellen Lernens insbesondere dem Teilbereich Deep Learning von Vorteil

Lernziele

• Erlangen eines Bewusstseins für gegenwärtige Anforderungen aus der Energiewirtschaft im Kontext von Zeitreihenprognosen
  
• Erreichen eines grundlegenden Verständnisses der Architektur und Funktionsweise eines Temporal Fusion Transformers
  
• Einblicke in ein reales Kundenprojekt sowie Erkennung von Chancen bei der Vorhersage von Zeitreihen durch den Einsatz von Data Fusion und probabilistischen Prognosen