> For the complete documentation index, see [llms.txt](https://docs.buildings.ability.abb/collection/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.buildings.ability.abb/collection/german-14.2-freezed/erste-schritte/kunstliche-intelligenz-in-abb-buildingpro/forecasting.md).

# 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="/files/k2kSHIsKf7FqbJUMzpMM" 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**](/collection/german-14.2-freezed/apps/apps/forecast.md) 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.


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://docs.buildings.ability.abb/collection/german-14.2-freezed/erste-schritte/kunstliche-intelligenz-in-abb-buildingpro/forecasting.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.