Glossar · approach
Zeitreihenprognose
Statistisches Modellierungsfeld zur Vorhersage künftiger Werte aus zeitlich geordneten Beobachtungen; umfasst ARIMA-, ETS- und Zustandsraummodelle.
Time Series ForecastingZeitreihenanalyseBox-Jenkins-Methodik
Zeitreihenprognose (Time Series Forecasting) ist die statistische Disziplin, die aus chronologisch geordneten Beobachtungen (Nachfrage, Preis, Temperatur, Verkehr) Punkt- und Intervallschätzungen künftiger Werte erzeugt. Kernkomponenten: Trend (langfristige Richtung), Saisonalität (periodische Wiederholung), Zyklus (lange Schwingung), Residuum (Rauschen). Die klassische Methodik wurde von Box und Jenkins (1970) formalisiert: Stationaritätstests (ADF, KPSS), Differenzbildung (d), Analyse der Autokorrelation (ACF) und partiellen Autokorrelation (PACF), Identifikation von ARIMA (p,d,q) und SARIMA (P,D,Q,m), Parameterschätzung und Residualdiagnose. Die Zustandsraum-Familie (ETS — error/trend/seasonal) modelliert Trend und Saisonalität in einem flexiblen Rahmen; Holt-Winters mit dreifacher exponentieller Glättung ist der praktische Vorläufer. Moderne Varianten: strukturelle Zeitreihenmodelle, dynamische Regression (ARIMAX mit exogenen Eingaben), Bayessche Zeitreihen, maschinelles Lernen (Gradient Boosting, LSTM, Temporal Fusion Transformer). Hyndman und Khandakar (2008) standardisierten die automatische Modellauswahl. Für hierarchische Prognosen (Artikel-Kategorie-Total) erzwingen Reconciliation-Verfahren ebenenübergreifende Konsistenz.
Örnek
Ein E-Commerce-Anbieter prognostiziert das tägliche Bestellvolumen mit einem SARIMA(1,1,1)(0,1,1)7-Modell, in dem m=7 die Wochensaison einfängt; MAPE stabilisiert sich bei rund 8,4 %, und die Prognose steuert Bestand und Versandkapazität.