# Prognose und Training starten

### Prognosedetails

<div data-full-width="true"><figure><img src="https://3489494878-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2F9GvUpaatBiReR43XFSMg%2Fuploads%2FopVlFkG2B7R1EnZPLAwY%2Fforecast%20app%20(4).png?alt=media&#x26;token=7e229d3e-d4a6-460d-bd7a-a557da7f373c" alt=""><figcaption></figcaption></figure></div>

<table><thead><tr><th width="105.79998779296875"></th><th width="220.00003051757812"></th><th></th></tr></thead><tbody><tr><td><strong>Element</strong></td><td><strong>Titel</strong></td><td><strong>Details</strong></td></tr><tr><td>[A]</td><td><strong>Allgemeine Konfiguration</strong></td><td>Übergeordneter Block mit allen Einstellungen für das Prognosemodell.</td></tr><tr><td>[A1]</td><td>Asset</td><td>Das ausgewählte Asset, dessen Daten für die Prognose verwendet werden.</td></tr><tr><td>[A2]</td><td>Zielattribut</td><td>Attribut, für das die Prognose berechnet wird.</td></tr><tr><td>[A3]</td><td>Feature-Attribute</td><td>Liste zusätzlicher Attribute (Minute, Stunde, Wochentag...); sie dienen als Eingabefeatures für das Modell.</td></tr><tr><td>[A4]</td><td>Prognoselänge</td><td>Anzahl der Zeitschritte, die in die Zukunft prognostiziert werden sollen.</td></tr><tr><td>[A5]</td><td>Kontextlänge</td><td>Länge des historischen Kontextfensters, das das Modell für jede Vorhersage berücksichtigt.</td></tr><tr><td>[A6]</td><td>Training starten/stoppen</td><td>Schalter zum Starten/Stoppen des Trainingslaufs.</td></tr><tr><td>[A7]</td><td>Prognose starten/stoppen</td><td>Schalter zum Aktivieren/Deaktivieren der laufenden Prognose.</td></tr><tr><td>[B]</td><td><strong>Info</strong></td><td>Statusbereich mit Laufzeitinformationen.</td></tr><tr><td>[B1]</td><td>Prognosestatus</td><td>Zeigt, ob die Prognose aktiv/inaktiv ist und, falls aktiv, in welchem Status sich die Prognose befindet.</td></tr><tr><td>[B2]</td><td>Trainingsstatus</td><td>Zeigt den Status des Trainings aktiv/inaktiv und in welchem Status sich das Training befindet.</td></tr><tr><td>[B3]</td><td>DOK</td><td>Link zur Online-Dokumentation der <em>Prognose</em> App.</td></tr><tr><td>[C]</td><td><strong>Prognosechart</strong></td><td>Diagramm mit Ist- und Prognosewerten.</td></tr><tr><td>[C1]</td><td>Legende – Istwert</td><td>Kennzeichnet die gemessenen Sensordaten (<em>Aktuelle Luftfeuchtigkeit</em>).</td></tr><tr><td>[C2]</td><td>Legende – Prognose</td><td>Kennzeichnet die berechneten Vorhersagen (<em>Prognostizierte Luftfeuchtigkeit</em>).</td></tr><tr><td>[C3]</td><td>Prognoselinie</td><td>Zeigt die Vorhersage als Linie im Diagramm.</td></tr></tbody></table>

### Prognose & Training starten

Der *Prognose-App* ermöglicht es, das Modelltraining und die laufende Prognose unabhängig voneinander zu aktivieren. Beide Prozesse laufen parallel im Hintergrund, folgen jedoch unterschiedlichen Aufgaben und Abläufen. Die folgenden Abschnitte erläutern die Funktionalität, Abhängigkeiten und das empfohlene Vorgehen.

#### Training starten

**Ziel:** Trainiert ein neues LSTM-Modell basierend auf den derzeit verfügbaren historischen Daten.

**Vorgehen:**

* Der Trainingsprozess wird über den **Train \[A6]** Schalter gestartet.
* Das Modell wird mit den aktuellen Einstellungen für `forecast_length`, `context_length`, und `feature_attributes`.
* Während des Trainings wird das jeweils beste Modell (gemessen am *Validierungsverlust*) automatisch zwischengespeichert.

**Wichtig:**

* Der Trainingsstatus wird im **Info-Bereich**.
* angezeigt. Nach erfolgreichem Abschluss erscheint die Meldung: → *Training erfolgreich abgeschlossen. Warten auf genügend Daten zum erneuten Training.*

**Automatisches erneutes Training:** Nach dem ersten Training wird das Modell automatisch neu trainiert, sobald mindestens **10 % mehr Datenpunkte** verfügbar sind als im letzten Lauf. → Beispiel: Wurde ein Modell mit 10 Monaten Daten trainiert, startet das nächste Training, sobald ein weiterer Monat an Daten hinzugekommen ist.

***

#### Prognose starten

**Ziel:** Erstellt laufende Prognosen für neue, eingehende Datenpunkte auf Basis des zuletzt trainierten Modells.

**Vorgehen:**

* Die Prognose wird über den **Forecast \[A7]** Schalter gestartet.
* Schalter aktiviert. Die App prüft, ob ein trainiertes Modell verfügbar ist. Erst dann kann die Prognose beginnen.
* Neue Prognosewerte werden automatisch generiert und als Attribut im Asset gespeichert (siehe [→ *Ausgabattribut der Prognose*](#output-attribute-of-the-forecast)).

**Hinweis:** Wenn **kein Modell** ist bisher verfügbar (z. B. nach der ersten Erstellung), **keine Prognose** kann erstellt werden. In diesem Fall zeigt der Status: → *Warten auf trainiertes Modell.*

***

#### Empfehlung für die Reihenfolge

Um zuverlässige Ergebnisse zu erzielen, wird empfohlen:

1. Zuerst **das Training starten**
2. Dann **die Prognose aktivieren** nach erfolgreichem Abschluss

So vermeiden Sie, dass die ersten Vorhersagen auf einem untrainierten oder schlecht konvergierten Modell basieren.

***

### Technische Begriffe im Statusbereich

| Begriff                             | Bedeutung                                                                                                    |
| ----------------------------------- | ------------------------------------------------------------------------------------------------------------ |
| **Epochen**                         | Die Anzahl vollständiger Trainingsdurchläufe über den gesamten Datensatz.                                    |
| **Validierungsverlust (val\_loss)** | Fehlermetrik auf den Validierungsdaten. Zeigt, wie gut das Modell generalisiert. Je niedriger, desto besser. |

Diese Werte helfen dabei, die Qualität des Trainingsprozesses zu beurteilen.

***

### Ausgabattribut der Prognose

Beim Starten der Prognose oder des Trainingsprozesses erstellt die *Prognose-App* automatisch ein neues Attribut im ausgewählten Asset. Dieses Attribut enthält die berechneten Prognosewerte und ist systemweit verfügbar.

**Namensschema:** `[target_attribute]_forecast_[forecast_length]`

**Beispiel:** Wenn das `Temperatur` Attribut mit einer `forecast_length` von `12`prognostiziert wird, lautet der Name des automatisch erzeugten Ausgabattributs: → `temperature_forecast_12`

**Hinweis:** Dieses Attribut kann überall in BuildingPro Suites verwendet werden – z. B. in Dashboards, Regeln, Visualisierungen oder im *Rechner*. Es verhält sich wie ein reguläres Asset-Attribut und wird automatisch mit den neuesten Prognosewerten aktualisiert.