# Forecasting

## **Was ist Forecasting?**

Forecasting bezeichnet die Vorhersage zukünftiger Werte auf Basis historischer Zeitreihen. Mittels statistischer und maschineller Lernverfahren werden Muster in Vergangenheitsdaten erkannt, um daraus Prognosen zu generieren – beispielsweise für Energie­verbräuche, Temperaturen oder Belegungsgrade.

<figure><img src="https://content.gitbook.com/content/Nyvwhz1kEMXcHf4HLuZ8/blobs/cxdeR6kdLLf2cNgguRrO/forecast%20app%20(6).png" alt=""><figcaption></figcaption></figure>

## **Wofür wird Forecasting in Smart Buildings gebraucht?**

Im Gebäudemanagement liefert Forecasting die Grundlage für vorausschauende Betriebs­strategien:

* **Lastspitzen­glättung:** Vermeidung hoher Netz­bezüge zu Spitzenzeiten durch frühzeitige Schalthandlungen.
* **Predictive Maintenance:** Vorhersage von Anlagen­ausfällen (z. B. Vibrations- oder Druckspitzen) und automatische Ticket­anlage vor realem Schaden.
* **Komfort­optimierung:** Sanftes Vor- oder Nachheizen/Kühlen, um gewünschte Temperatur­bänder einzuhalten, ohne hektisches Nachregeln.
* **Belegungs­prognosen:** Anpassung von Lüftungs- und Beleuchtungs­plänen an erwartete Nutzerzahlen.
* **Tarifmanagement:** Verlagerung von Verbrauch in günstige Zeitfenster bei variablen Stromtarifen.

***

## **Wie setzen wir Forecasting bei Eliona um?**

In unserer [➔ **Forecast-App**](https://docs.buildings.ability.abb/collection/german-14.2-freezed/apps/apps/forecast) genügt es,

1. **Zielattribut** (z. B. „Stromverbrauch Zähler X“) und ggfs. **Zusatzgrößen** (Außentemperatur, Wochentag, Belegung) auszuwählen,
2. die gewünschte **Prognosedauer** festzulegen.

Anschließend generiert die App automatisch Forecast-Attribute, die sich exakt wie Sensordaten verhalten – nutzbar in Dashboards, Regelketten oder Analytics.

***

## **Welche Technologien verwenden wir – und warum?**

* **LSTM (Long Short-Term Memory)**
  * **Warum:** LSTM-Netzwerke sind in der Lage, **nichtlineare Zusammenhänge** und lange zeitliche Abhängigkeiten zu modellieren, ohne am Verschwinden des Gradienten zu scheitern.
  * **Vorteile für Smart Buildings:**
    * Erfassen komplexer Interaktionen (z. B. Öffnungszeiten × Temperatur × Belegung).
    * Robust bei vielen Zusatzmerkmalen und verlängerten Prognosehorizonten.
  * **Praxisbeleg:** Multi-Layer LSTM mit Denoising erzielte in aktuellen Studien 15–30 % höhere Genauigkeit für Gebäudeenergieprognosen [➔arXiv\[Extern\]](https://arxiv.org/abs/2309.02908).
* **SNARIMAX (Seasonal Non-linear ARIMAX)**
  * **Warum:** SNARIMAX integriert **saisonale Muster**, Auto-Regressions- und Moving-Average-Anteile sowie **exogene Einflussgrößen** (z. B. Wetter, Wochentag) in einem einzigen, online-fähigen Modell [➔MDPI\[Extern\]](https://riverml.xyz/dev/api/time-series/SNARIMAX/).
  * **Vorteile für Smart Buildings:**
    * Geringer Datenbedarf und robuste Baseline bei kurzen Historien.
    * Schnelle Anpassung an Live-Daten (inkrementelle Updates).
* **Auto-Modus:**\
  Unsere App vergleicht beide Verfahren im Backtest und setzt automatisch den leistungsstärkeren Motor ein.

***

**Fazit:**\
Durch die Kombination von **LSTM** für nichtlineare, langzeitige Muster und **SNARIMAX** für saisonale, erklärbare Baselines bietet Eliona eine **hochflexible**, **niedrigschwellige** Forecast-Lösung. Damit ermöglichen wir vorausschauende Steuerung und echte Predictive-Use-Cases – ohne ML-Expertise und in wenigen Klicks.