KI Methoden
Um Erkenntnisse aus Zeitreihendaten zu gewinnen, können klassische mathematische Analysemethoden verwendet werden. So ist beispielsweise die Fourier-Analyse eine weit verbreitete klassische Methode. Mit zunehmender Rechenleistung können immer größere Datenmengen gespeichert und verarbeitet werden. Als Alternative zum Schreiben expliziter Software, die mathematische Regeln zur Problemlösung definiert, kann Machine Learning zur datengetriebenen Mustererkennung eingesetzt werden. Für Aufgaben wie Regression (z.B. für physikalische Modellierung), Klassifikation (s.u. Abb. 1), Anomalieerkennung (s.u. Abb. 2) und Vorhersage (Forecasting) (s.u. Abb. 3) ist maschinelles Lernen die bevorzugte Methode. Insbesondere dann, wenn diese Aufgaben mit klassischen Methoden nicht trivial zu lösen sind oder aber wenn klassische Methoden rechenintensiv sind, ist Machine Learning der Stand der Technik. Je nach Schwierigkeit des Problems reicht die Modellkomplexität von einfachen linearen Modellen bis hin zu komplexen Deep Neural Network Architekturen.
Für die Analyse von Zeitreihendaten ist die automatische Merkmalsextraktion (Feature Extraction) in Kombination mit klassischen Machine Learning Modellen ein guter Basisansatz. Eine weitere spezifische Eigenschaft von Zeitreihendaten ist, dass für univariate Zeitreihen relativ starke Distanzmetriken verfügbar sind. Dies bedeutet, dass die Ähnlichkeit zweier Zeitreihen relativ gut durch eine euklidische Distanz in Kombination mit dynamischer Zeitnormierung (Dynamic Time Warping) bewertet werden kann. Dieses Ähnlichkeitsmaß hat sich sowohl in der Klassifikation von Zeitreihendaten als auch in der univariaten Anomaliedetektion als wettbewerbsfähig erwiesen. Eine weitere Klasse von Machine Learning Modellen ist speziell für Zeitreihendaten entwickelt. Einige dieser Modelle begrenzen die Komplexität von Zeitreihendaten durch Quantisierung oder Downsampling. Mit dem gleichen Ziel wurden auch Deep Neural Network Architekturen angepasst, um den spezifischen Herausforderungen von Zeitreihendaten gerecht zu werden. Bekannte Beispiele für Deep Learning-Architekturen, die an Zeitreihendaten angepasst wurden, sind Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs) oder, in jüngerer Zeit, die Transformer-Architekturen.