# Was ist Forecasting

## Was ist Forecasting?

Forecasting bezeichnet die Vorhersage zukünftiger Werte auf Basis historischer Daten. Auf der *Eliona*-Plattform ermöglicht die *Forecast App*, Zeitreihen-Daten automatisch zu analysieren und verlässliche Prognosen zu erstellen. Typische Anwendungsfälle sind etwa:

* Energieverbrauch in Gebäuden
* Raumtemperaturen und Klimasteuerung
* Zustandsüberwachung von Anlagen

Dabei erkennt das System wiederkehrende Muster, saisonale Schwankungen und plötzliche Abweichungen, um künftige Entwicklungen vorherzusagen.

***

## Wie funktionieren LSTM-Modelle in der *Forecast App*?

### 1. Rekurrente Neuronale Netze (RNN)

Anders als klassische neuronale Netze verarbeiten RNNs Daten sequenziell und halten einen internen Zustand („Gedächtnis“) aufrecht. So können frühere Zeitpunkte direkten Einfluss auf spätere Vorhersagen nehmen.

### 2. Long Short-Term Memory (LSTM)

LSTM-Zellen sind eine spezielle RNN-Architektur, die:

* **Langfristige Abhängigkeiten** bewahrt, indem sie unwichtige Informationen „vergisst“ und relevante über lange Sequenzen weitergibt.
* **Kurzfristige Schwankungen** erkennt und im Modell speichert.
* **Gating-Mechanismen** (Input-, Forget- und Output-Gate) benutzt, um gezielt zu steuern, welche Informationen wann in den internen Zustand gelangen oder daraus entfernt werden.

In der *Forecast App* betrachtet das LSTM-Modell jeweils ein **Kontextfenster** (parameterisiert durch *Context Length*) vergangener Messwerte und sagt darauf aufbauend eine definierte Anzahl künftiger Schritte voraus (festgelegt über *Forecast Length*).

***

## Rolle von *TensorFlow*

*TensorFlow* ist das underlying-Framework, das in der *Forecast App* für folgende Aufgaben sorgt:

1. **Modellaufbau**\
   Definition und Verknüpfung der LSTM-Zellen sowie zusätzlicher Schichten (z. B. Dense Layers).
2. **Effizientes Training**\
   Nutzung von GPU-Beschleunigung, automatischem Differenzieren und optimierten Algorithmen (z. B. Adam-Optimizer).
3. **Kontinuierliche Aktualisierung**\
   Retraining bei neuen Daten, um das Modell stets an aktuellen Trends auszurichten.

Weiterführende Informationen:\
[→ TensorFlow-Dokumentation](https://www.tensorflow.org/api_docs)\
[→ TensorFlow Keras-Dokumentation](https://www.tensorflow.org/guide/keras)