ATLO-ML: Adaptive Zeitlängenoptimierung für ML – Luftqualitätsprognosen

Die neue Methode ATLO-ML revolutioniert die Vorbereitung von Zeitreihen für maschinelles Lernen, indem sie die optimale Eingabezeitlänge und die passende Abtastrate automatisch bestimmt. Dabei orientiert sich das System an einer vom Anwender vorgegebenen Ausgabetiefe, sodass die Eingabedaten exakt auf die gewünschte Vorhersagezeit abgestimmt werden. Durch diese dynamische Anpassung steigt die Genauigkeit der Modelle deutlich, wenn man die klassischen, festen Zeitlängen durch die optimierten Parameter ersetzt.

Die Leistungsfähigkeit von ATLO-ML wurde anhand von Luftqualitätsdaten demonstriert – sowohl aus dem öffentlichen GAMS-Datensatz als auch aus proprietären Messungen eines Rechenzentrums. In beiden Fällen zeigte sich, dass die automatisierte Optimierung die Vorhersagegenauigkeit signifikant verbessert. Diese Ergebnisse deuten darauf hin, dass ATLO-ML nicht nur für Luftqualitätsprognosen, sondern für jede zeitkritische Anwendung, die auf präzisen Zeitreihen basiert, eine robuste Lösung darstellt.