future - Leistungen und Preise

• Behandlung von Rohdaten im csv- oder tsv-Format mit UTF-8-Encoding, via futureEXPERT: zusätzlich pandas-dataframe.
• Möglichkeit zur Definition von Wert- und Gruppierungsvariablen/-spalten sowie einer Datumsvariable/-spalte. (Es muss mindestens eine Wert- und genau eine Datumsspalte definiert werden, Gruppierungs- sowie weitere Wertespalten sind optional möglich.)
• Unterstützung von numerischen Datumsformaten, z. B. der Form YYYY-MM-DD, DD.MM.YYYY hh:mm:ss.

• Prüfen der Daten auf Plausibilität bzgl. des definierten Datentyps, fehlender Werte und eingestellter Grenzwerte.
• Definition der Vorgehensweise bei Plausibilitätsverletzungen pro Spalte und Typ (z.B. Löschen oder Festlegen von Ersatzwerten) durch den Nutzer. Komfortable Bedienung nur über Frontend, durch heruntergeladene Konfigurationsdatei im Anschluss auch direkt weitere Nutzung im Python client.

• Möglichkeit der Verwendung eigener Einflussfaktoren auf Tages- oder Monatsbasis.
• Möglichkeit der Verwendung von über den POOL (s.u.) bereitgestellten Einflussfaktoren.
• Manuelle Selektion unterschiedlicher Lags je Einflussgröße (bis zu 30 Tage bzw. 12 Monate in die Zukunft oder Vergangenheit).

• Manuelle Definition der Lags pro Kovariate und Zeitreihe oder Verwendung des Ergebnisses des MATCHERs für Lagauswahl, mit manueller Anpassungsmöglichkeit.
• Exponentielle Glättung als Forecast-Methode für Kovariaten.
• Alle Kovariaten gleichzeitig in einem Modell (joint).

• Auswahlmöglichkeit einer weiteren Methode, welche die Einflussgrößen im Vorhersagemodell berücksichtigt.
• Einstellbar, ob die Einflussgrößen jeweils:
  • einzeln (single)
  • alle gemeinsam (joint) im Vorhersagemodell der jeweiligen Forecast-Methode berücksichtigt werden sollen.

Hierarchischer Abgleich stellt Konsistenz über verschiedene Aggregationsebenen der Zeitreihen sicher.

• Auswahl aus mehreren Reconciliation-Methoden
• Priorisierung gewählter Methoden für automatischen Fallback
• Unterstützung von Constraints wie offene Bestellungen, ganzzahlige Rundung und Paketgrößen

• Default: für die vorliegende Granularität gewöhnlich vorkommende Saisonlängen werden geprüft.
• Stattdessen können auch zu prüfende Saisonlängen (auch multiple) angegeben werden.
• Alternativ kann auch eine Saisonlänge fest definiert werden, dann findet keine Prüfung statt.

• Plötzliche Änderungen des Niveaus (Levelshifts)
• Stärkere Änderungen im Vorkommen von sehr kleinen Werten bzw. 0-Werten

Berechnung von rollierenden historischen Vorhersagen für alle geeigneten FC-Methoden, ausgerichtet nach dem eingestellten Vorhersagehorizont, mit für die vorliegende Zeitreihe (Länge, Granularität) passenden Voreinstellungen. Folgende Einstellungen sind möglich:

• Festlegung der Anzahl an Iterationen
• Shift-Länge
• Refitting bei jeder Iteration (großer Einfluss auf Laufzeit)

• Vorselektion basierend auf den im Preprocessing identifizierten Eigenschaften der Zeitreihe
• Finales Ranking basierend auf BT-Ergebnissen
• Möglichkeit, je ein Gütemaß für die beiden Zeitreihengruppen (glatt/erratisch sowie sporadisch/klumpig) festzulegen, welches als Ranking- & Selektionskriterium verwendet wird.
• Die Vorhersageschritte mit entsprechender Gewichtung (step_weights), wie sie beim Ranking verwendet werden sollen, können eingestellt werden.

• Zeitreihe mit bis zu einer Kovariate
• Forecasts mit der Datenhistorie, ggf. mit Prognoseintervall (pro erfolgreichem Modell) und gewissen Preprocessing-Ergebnissen
• Backtesting-Forecasts (pro Modell und Iteration ein Plot)

• Übersicht zu gewissen Preprocessing-Ergebnissen sowie Informationen zum besten Modell pro Zeitreihe (als data frame)
• Forecasts, ggf. mit Prognoseintervallen, pro bestem Modell und Zeitreihe (als data frame)

welche sich auf den Veröffentlichungsverzug sowie den zeitlichen Versatz zwischen Forecast-Objekt und Einflussfaktoren beziehen:

• Ausschlussmöglichkeit von Kovariaten mit keinem zeitlichen Vorlauf zum letzten Datenpunkt des Forecast-Objekts (sich also für keinen einzigen Vorhersageschritt eignen).
• Einstellungsmöglichkeit, welcher maximale Unterschied an Zeitpunkten zwischen dem aktuellsten Wert des Einflussfaktors sowie dem des Forecast-Objekts vorliegen darf.

• Pro Forecast-Objekt Ranking der erfolgreichen Einflussfaktoren mit jeweils bestem Lag inklusive Benchmark-Modell.
• Zeitreihenwerte der Forecast-Objekte.
• Datenhistorie der im Ranking enthaltenen Einflussfaktoren.

zur Verwendung in anderen Modulen. Beispiele bereitgestellter Einflussgrößen sind:

• Verschiedene Wettergrößen auf Tagesbasis an ausgewählten deutschen Wetterstationen
• Ferien- & Werktagsinformationen
• ausgewählte Wirtschaftsindikatoren

• Werktage wie in Würzburg, Bayern (Deutschland)
• Angegebene Zeiten richten sich nach der aktuellen Zeit in Berlin, Deutschland