Best Paper Award im Rahmen der International conference on Time Series and Forecasting 2023

Im Rahmen der ITISE 2023 wurde der Beitrag „Increasing the Performance and Plausibility of Machine Learning via Data Analysis Techniques“ von den Autoren des Fachgebiets Energieeinsatzoptimierung Silas Aaron Selzer, Fabian Bauer und Prof. Peter Bretschneider mit dem Best Paper Award ausgezeichnet.

Die ITISE (International conference on Time Series and Forecasting) ist eine jährlich stattfindende Drei-Tage Konferenz, die im Jahr 2023 zum neunten Mal ausgetragen wurde und über den Zeitraum vom 12.07.-14.07.2023 in Meloneras/Gran Canaria stattfand. Der Ausrichter der Konferenz ist die Universidad de Granada. Das Ziel der Konferenz ist es, ein Diskussionsforum für die neusten Ideen und Erkenntnisse in den Bereichen Grundlagen, Theorie, Modelle und Anwendungen für die interdisziplinäre Forschung auf dem Gebiet der Zeitreihenanalyse und -prognose zu bieten. Die ITISE spricht somit eine Vielzahl von Fachbereichen, von der Informatik über die Mathematik und Statistik bis zu den Anwendungen in Ingenieurswissenschaften, Medizin und Ökonometrie, an. Dadurch schafft die ITISE eine Pluralität an Ideen aus verschiedenen Themengebiet und stärkt somit den Austausch über die Fachbereiche hinweg, welche großen Unterschiede in Ihren Anwendungen aber nur geringe Unterschiede in den Methoden aufweisen.

Im Rahmen der ITISE 2023 wurde der Beitrag „Increasing the Performance and Plausibility of Machine Learning via Data Analysis Techniques“ von den Autoren des Fachgebiets Energieeinsatzoptimierung Silas Aaron Selzer, Fabian Bauer und Prof. Peter Bretschneider präsentiert und im Rahmen des Konferenzdinners mit dem Best Paper Award ausgezeichnet. In dem Beitrag werden verschiedene Filtermethoden als Teilmenge der Datenanalysetechniken zur Merkmalsauswahl verglichen. Anhand von Beispielen aus der Energietechnik werden die Stärken der Datenanalyse als Vorverarbeitungsschritt und deren Effektivität aufgezeigt. Die Verwendung der Datenanalysetechniken erhöht nicht nur die Performance von maschinellen Lernmethoden, sondern auch deren Plausibilität. Dies wird durch die Identifikation der signifikanten Eingangsvariablen und der Reduktion der Modellkomplexität erreicht, was wiederum zu vertrauenswürdigen und zuverlässigen Modellen führt. Der Beitrag wird zudem in Form eines Kapitels in dem Buch „Contributions to Statistics“ des Springer Verlags veröffentlicht.

Die Arbeit wurde durch die Zusammenarbeit mit der 50Hertz Transmission GmbH ermöglicht, welche die Daten für die Beispiele (Berechnung der Leiterseiltemperatur, der Netzverluste sowie der vertikalen Netzlast) bereitstellte. Die Autoren möchten sich an dieser Stelle nochmals für die Bereitstellung der Daten und die konstruktiven Diskussionen bedanken.

Quelle: Silas Aaron Selzer, Fachgebiet Energieeinsatzoptimierung