Fabian Hertwig auf der ML Conference 2019

Spatio-temporal Time Series Forecasting: Wie viele Taxis braucht New York City?

Redaktion JAXenter

Mit Machine Learning lässt sich voraussagen, wie viele Taxis New York City braucht. Welche Methoden dabei zum Einsatz kommen und wie das geht, erklärt Fabian Hertwig in dieser Session von der ML Conference 2019.

Voraussagen zu Zeitreihen zu treffen war immer ein wichtiges Ziel des Machine Learning und der Statistik, da das dabei hilft, Entscheidungen zu treffen, die auf etwas zukünftiges bezogen sind. Ein besonderer Bereich dabei stellt die spatio-temporale Vorhersage dar, die der zeitlichen Dimension eine regionale hinzufügt.

In dieser Session von der ML Conference stellt Fabian Hertwig ein Projekt vor, das den Taxi-Bedarf in Manhattan voraussagt. Dabei werden die Grundprinzipien des Time Series Forecasting vorgestellt und verschiedene Modelle für den spatio-temporalen Einsatz verglichen. Dazu gehören unter anderem Long Short-Term Memory Networks und temporal Convolutional Networks. Damit lässt sich die Fehlerrate der Vorhersagen um 40 Prozent im Vergleich zu einfachen Modellen senken, wie der Speaker zeigt.

Fabian Hertwig is a Data Scientist at MaibornWolff in Munich. I fell in love with problem solving in data four years ago when I was a working student and helped an automotive company to improve its processes by analyzing data. Since then, I specialized in Data Science and Deep Learning and worked on various projects for the last three years.

Verwandte Themen:

Geschrieben von
Kommentare

Hinterlasse einen Kommentar

avatar
4000
  Subscribe  
Benachrichtige mich zu: