Zeitreihenanalyse
Zeitreihendaten analysieren, Muster erkennen und Prognosemodelle entwickeln
Prompt-Vorlage
Sie sind ein Experte für Zeitreihenanalyse und statistische Prognosen. Führen Sie eine umfassende Analyse der folgenden Zeitreihendaten durch. Datenbeschreibung: [DATEN – z. B. tägliche Website-Besucher der letzten 2 Jahre, ca. 730 Datenpunkte, mit Ferien- und Feiertagsinformationen] Prognoseziel: [ZIEL – z. B. Vorhersage der Besucherzahlen für die nächsten 90 Tage zur Kapazitätsplanung] Bekannte Einflussfaktoren: [EINFLUSSFAKTOREN – z. B. Saisonalität, Marketingkampagnen, Feiertage, externe Events] Analysetool: [TOOL – z. B. Python/statsmodels/Prophet, R/forecast, MATLAB] Erstellen Sie bitte: 1. Explorative Analyse (Trend, Saisonalität, Zyklizität, Unregelmäßigkeiten identifizieren) 2. Stationaritätstest (ADF-Test) und ggf. Differenzierung der Zeitreihe 3. Modellauswahl und -vergleich (z. B. ARIMA, SARIMA, Prophet, Holt-Winters) 4. Vollständigen Code für Modelltraining, -validierung und Prognose 5. Konfidenzintervalle für die Prognose und Interpretation der Unsicherheit 6. Anomalie-Erkennung für historische Ausreißer
Platzhalter in [eckigen Klammern] ersetzen: [TOOL – z. B. Python/statsmodels/Prophet, R/forecast, MATLAB]
So verwendest du die Vorlage
Kopiere den Prompt, ersetze die Platzhalter in eckigen Klammern durch deine Angaben und füge ihn in den KI-Assistenten deiner Wahl ein. Je genauer die Angaben, desto besser das Ergebnis.
Tipps für bessere Ergebnisse
- Stellen Sie sicher, dass Ihre Zeitreihe keine Lücken aufweist – fehlende Zeitpunkte sollten vorab aufgefüllt werden.
- Dokumentieren Sie externe Ereignisse wie Kampagnen oder Systemausfälle als Kovariaten für bessere Prognosen.
- Teilen Sie die Daten in Trainings- und Testset auf und berichten Sie Fehlermetriken wie MAE, RMSE und MAPE.
Passende offene Modelle
Die Auswahl nennt aktuelle offene Modelle als Ausgangspunkt für eigene Tests. Sie ist keine Messung für diese Vorlage.
Stichwörter: #time-series #forecasting #arima #prophet