Die meisten IoT-Projekte werden sehr gut darin, Ihnen die Gegenwart zu zeigen. Ein Dashboard sagt Ihnen, dass der Tank zu 40 Prozent voll ist, der Motor warmläuft, die Tiefkühltruhe über Nacht die Temperatur gehalten hat. Das beantwortet die Frage ‘Was passiert gerade jetzt’, und eine Zeit lang reicht das aus.
Das Problem ist, dass Betreiber nicht auf die Gegenwart reagieren. Sie reagieren darauf, was die Gegenwart über die nächsten Stunden oder Tage bedeutet. Vierzig Prozent sagen nichts aus, solange Sie nicht wissen, ob der Tank am Freitag oder erst in drei Wochen leer ist. Ein Dashboard, das nur den aktuellen Wert meldet, schiebt diese Einschätzung einem Menschen zu, der ein Dutzend anderer Dinge im Blick hat. Prognosen verlagern diese Einschätzung in das System.
Dieser Leitfaden zeigt den Weg, den die meisten Teams tatsächlich gehen, von der einfachsten nützlichen Prognose bis zum maschinellen Lernen, und wo sich jede Stufe lohnt.
Beginnen Sie mit der Frage, nicht mit dem Modell
Eine Prognose ist nur dann nützlich, wenn jemand aufgrund ihrer eine Entscheidung ändert. Bevor Sie eine Methode wählen, halten Sie die Entscheidung fest. ‘Nachbestellen, bevor das Silo leerläuft.’ ‘Wartung planen, bevor das Lager ausfällt.’ ‘Die Lagerhalle vor der Nachmittagsspitze vorkühlen.’ Jede davon impliziert einen Horizont (wie weit im Voraus) und eine Toleranz (wie weit Sie danebenliegen dürfen, bevor die Entscheidung kippt).
Eine Nachfüllentscheidung mit drei Tagen Vorlaufzeit braucht keine minutengenaue Vorhersage. Sie muss bei einem Trend drei Tage im Voraus ungefähr richtig liegen. Das zuerst klarzustellen bewahrt Sie davor, ein präzises Modell für ein Problem zu bauen, das nie eines gebraucht hat.
Stufe 1: Gleitende Durchschnitte und Trends
Die erste Prognose, die es wert ist, ausgeliefert zu werden, ist oft ein gleitender Durchschnitt und ein linearer Trend. Nehmen Sie das letzte Fenster von Messwerten, bilden Sie den Durchschnitt, passen Sie eine Steigung an und projizieren Sie sie in die Zukunft. Auf TagoIO können Sie das in einem Analysis-Skript tun, das die aktuellen Daten eines Geräts liest, die Steigung berechnet und einen vorhergesagten Wert als eigene Variable zurückschreibt, die ein Dashboard-Widget neben den Ist-Werten darstellen kann.
Das klingt zu einfach, um ins Gewicht zu fallen. Für ein langsam veränderliches Signal wie einen Kraftstofftank, der mit gleichmäßiger Rate leerläuft, ist es oft genau genug, um eine Nachbestellung mit Tagen Vorlauf auszulösen. Der Haken ist, dass eine Gerade keine Ahnung hat, dass Ihr Gebäude an Wochentagnachmittagen mehr Energie verbraucht. In dem Moment, in dem Ihr Signal einen Rhythmus hat, glättet eine Trendlinie ihn zu einer falschen Antwort.
Stufe 2: Saisonalität und Basislinien
Die meisten realen IoT-Signale wiederholen sich. Die Energielast folgt einem täglichen und wöchentlichen Zyklus. Die Temperatur in der Kühlkette schwankt mit den Türöffnungen während der Schichtzeiten. Der Wasserbedarf steigt am Morgen. Eine Prognose, die diese Zyklen ignoriert, wird an ruhigen Tagen zu hoch und an geschäftigen Tagen zu niedrig vorhersagen.
Die Lösung ist eine saisonale Basislinie. Statt eines einzigen Durchschnitts führen Sie einen Durchschnitt pro Stunde des Tages oder pro Wochentag, aufgebaut aus historischen Daten. Die Prognose wird zu ‘dem üblichen Wert für diese Stunde, angepasst an den aktuellen Trend’. Das ist immer noch Arithmetik, die Sie in einer geplanten Analysis ausführen können, und sie deckt die Mehrzahl der Monitoring-Anwendungsfälle ganz ohne maschinelles Lernen ab.
Werkzeuge wie Facebooks Prophet formalisieren das: Sie zerlegen ein Signal in Trend plus tägliche, wöchentliche und jährliche Saisonalität und geben Ihnen eine Prognose mit einem Konfidenzbereich. Da Sie in TagoIO Analysis Python ausführen können, kann ein Prophet-Modell einen Gerätebucket lesen, sich anpassen und nach Zeitplan Vorhersagen schreiben.
Stufe 3: Maschinelles Lernen für die schwierigen Signale
Manche Signale widersetzen sich der Arithmetik. Wenn die Zukunft von mehreren Eingangsgrößen zugleich abhängt, Außentemperatur, Belegung, Produktionsrate und den Wechselwirkungen zwischen ihnen, kommt eine handgebaute Basislinie nicht mehr mit. Hier verdienen Modelle wie gradientenverstärkte Bäume oder ein LSTM-Netz ihre Kosten.
Diese Modelle lernen Muster aus der Vergangenheit, die Sie nicht von Hand kodiert haben. Sie verlangen aber auch mehr: saubere Trainingsdaten, einen echten Auswertungsschritt und ein erneutes Training, wenn sich die Bedingungen verschieben. Der Fehler, den Teams machen, ist, zuerst nach einem LSTM zu greifen, weil es seriös klingt, und dann einen Monat mit einem Problem zu verbringen, das eine saisonale Basislinie an einem Nachmittag gelöst hätte. Maschinelles Lernen ist die richtige Antwort, wenn die einfacheren Stufen messbar versagt haben, nicht vorher.
Da TagoIO Analytics die Prognose direkt neben Ihren Daten erstellt, fließen seine Vorhersagen unmittelbar in Dashboards und Alarme zurück.
Messen Sie die Prognose, sonst haben Sie keine
Eine Prognose, die Sie nie bewerten, ist eine Vermutung mit Diagramm. Halten Sie aktuelle Daten zurück, die das Modell nie gesehen hat, sagen Sie sie voraus und vergleichen Sie mit dem, was tatsächlich passiert ist. Verfolgen Sie eine einfache Fehlerzahl über die Zeit. Wenn sie abdriftet, ist Ihr Modell veraltet und braucht ein erneutes Training oder ein Umdenken.
Dieser Schritt ist es, der eine Prognose, der Betreiber vertrauen, von einer trennt, die sie stillschweigend ignorieren, nachdem sie zweimal danebenliegt. Bauen Sie die Bewertung von Anfang an ein, führen Sie sie im selben Zeitplan wie die Prognose aus und zeigen Sie den Fehler auf demselben Dashboard an.
Womit Sie diese Woche anfangen
Wählen Sie ein Signal, das an eine echte Entscheidung gekoppelt ist. Bauen Sie die Variante mit gleitendem Durchschnitt in einem Analysis-Skript, stellen Sie die Vorhersage neben den Ist-Werten dar und lassen Sie sie laufen. Sie lernen mehr aus einer laufenden Prognose, die manchmal falsch liegt, als aus einem Monat Planung des perfekten Modells. Fügen Sie Saisonalität hinzu, wenn die Trendlinie Sie blamiert, und greifen Sie erst dann zum maschinellen Lernen, wenn die Zahlen sagen, dass die einfacheren Varianten nicht ausreichen.
Prognose ist keine Funktion, die man einschaltet. Sie ist die Gewohnheit, die Daten, die Sie ohnehin sammeln, in die nächste Entscheidung zu verwandeln, und die Aufgabe der Plattform ist es, diesen Kreislauf kurz zu halten. Sehen Sie, wie TagoIO Analytics die Prognosen dahinter erstellt.
Für den Weg ohne Code erstellt TagoIO Analytics die Prognose für Sie. Melden Sie sich bei TagoIO Analytics unter sight.tago.io/login mit Ihrem TagoIO Konto an und trainieren Sie in wenigen Minuten ein Modell auf Ihren Daten. Sie erhalten Prognosen und Anomalieerkennung für Ihre eigenen Signale, ohne ein Skript zu schreiben oder Data Scientist zu sein.
