Sobald Sie sich entscheiden, ein IoT-Signal zu prognostizieren, wirft Ihnen das Internet eine Flut von Optionen entgegen: ARIMA, exponentielle Glättung, Prophet, XGBoost, LSTM, Transformer. Zu jedem gibt es ein Paper, das behauptet, es sei das beste. Der größte Teil dieser Debatte ist für Kaggle-Wettbewerbe geschrieben, nicht für eine Flotte von Sensoren, die über Jahre hinweg alle paar Minuten Daten melden.
Für IoT zählt nicht die Frage, ‘welches Modell einen Benchmark gewinnt’. Es geht darum, ‘welches Modell zur Form meines Signals und zur Größe meines Teams passt’. Wählen Sie falsch, dann liefern Sie entweder ein Modell aus, das zu schwach ist, um ihm zu vertrauen, oder Sie verbringen ein Quartal damit, eines zu pflegen, das Sie gar nicht gebraucht hätten. Hier erfahren Sie, wie sich die wichtigsten Optionen tatsächlich unterscheiden und wie Sie ohne Forschungsbudget die richtige Wahl treffen.
ARIMA: die statistische Grundlinie
ARIMA modelliert ein Signal aus seinen eigenen vergangenen Werten und vergangenen Fehlern. Es ist stark, wenn Ihre Daten stationär sind oder stationär gemacht werden können, also wenn ihr statistisches Verhalten sich im Lauf der Zeit nicht verändert, und wenn das Muster von der jüngeren Vergangenheit statt von äußeren Faktoren getrieben wird.
Für einen einzelnen Sensor mit stabilem Muster und ohne ausgeprägte Saisonalität ist ARIMA genau und günstig. Das Problem ist, dass echte IoT-Signale selten so brav sind. Sie haben tägliche und wöchentliche Zyklen, sie driften mit dem Alter der Anlagen und sie reagieren auf Wetter und Nutzung. Klassisches ARIMA braucht manuelles Tuning, um Saisonalität zu bewältigen, und dieses Tuning lässt sich schlecht von einem Gerät auf das nächste übertragen. In einer Flotte skaliert manuelles Tuning pro Gerät nicht.
Prophet: Saisonalität ohne Statistikstudium
Prophet, von Meta, wurde genau für die Signale gebaut, mit denen ARIMA sich schwertut: ausgeprägte tägliche, wöchentliche und jährliche Zyklen, Feiertage und fehlende Daten. Es zerlegt eine Reihe in einen Trend plus saisonale Komponenten und liefert eine Prognose mit einem Konfidenzbereich, mit sinnvollen Standardeinstellungen, die auch ein Nicht-Fachmann anwenden kann.
Für die meisten IoT-Anwendungsfälle, Monitoring, Energielast, Wasserbedarf, Belegung, Besucheraufkommen, ist Prophet die pragmatische Standardwahl. Es bewältigt die Saisonalität, die diese Signale dominiert, verträgt Lücken und braucht keine stationäre Reihe. Der Kompromiss ist, dass es das Signal als Summe glatter Muster behandelt, weshalb es schwächer ist, wenn die Zukunft von anderen Live-Eingängen abhängt, etwa der Produktionsrate oder der Außentemperatur, die auf komplexe Weise zusammenwirken.
LSTM und Gradient Boosting: für Signale mit vielen Einflussgrößen
Wenn der Wert, den Sie vorhersagen wollen, von mehreren sich verändernden Eingängen zugleich abhängt und von deren Wechselwirkungen, dann haben Sie das Terrain verlassen, in dem Zerlegung funktioniert. Hier verdienen sich Machine-Learning-Modelle ihren Platz. Gradient-Boosted-Trees (XGBoost, LightGBM) bewältigen Prognosen mit mehreren Eingängen gut und trainieren schnell. Ein LSTM, ein neuronales Netz für Sequenzen, kann lange, nichtlineare zeitliche Abhängigkeiten erfassen.
Die Kosten sind real. Diese Modelle brauchen mehr Trainingsdaten, eine Feature-Pipeline, eine ehrliche Aufteilung für die Auswertung und ein Neutraining, wenn sich die Bedingungen verschieben. Gerade ein LSTM ist leicht falsch aufzusetzen und schwer zu debuggen. Als Faustregel gilt: Setzen Sie sie ein, wenn ein Modell im Prophet-Stil bei Ihrem Signal messbar versagt hat, nicht weil ein neuronales Netz fortschrittlicher klingt.
Eine Entscheidung, die Sie an einem Nachmittag treffen können
Schauen Sie sich eine Woche Ihres Signals als Diagramm an. Wenn es ein stabiles Zappeln ohne klaren Zyklus ist, beginnen Sie mit ARIMA oder einfacher exponentieller Glättung. Wenn es einen offensichtlichen täglichen oder wöchentlichen Rhythmus hat, was die meisten IoT-Signale haben, beginnen Sie mit Prophet. Wenn der Wert klar auf anderen gemessenen Eingängen aufsetzt und das einfachere Modell Sie bereits im Stich gelassen hat, wechseln Sie zu Gradient Boosting oder einem LSTM.
Was auch immer Sie wählen: Das Testgerüst zählt mehr als der Algorithmus. Teilen Sie Ihre Historie auf, prognostizieren Sie den zurückgehaltenen Teil, bewerten Sie den Fehler und wiederholen Sie diese Prüfung regelmäßig, damit Sie Drift rechtzeitig erkennen.
Umsetzung auf TagoIO
Der Sieger muss direkt neben Ihren Daten leben. TagoIO Analytics erstellt die Prognose nach einem Zeitplan genau dort, wo Ihre Telemetrie eintrifft, liest einen Device-Bucket und schreibt die Vorhersage als Variable zurück, die Ihre Dashboards und Alerts nutzen. Die Modellwahl wird zu einer Einstellung, die Sie ändern können, nicht zu einer Plattform, auf die Sie migrieren müssen.
Beginnen Sie mit dem einfachsten Modell, das die Form Ihres Signals zulässt, weisen Sie es gegen zurückgehaltene Daten nach und klettern Sie die Leiter erst dann hinauf, wenn die Zahlen es Ihnen sagen. Sehen Sie, wie TagoIO Analytics das Modell hinter Ihren Prognosen betreibt.
Wenn Sie lieber gar kein Modell auswählen und abstimmen möchten, übernimmt TagoIO Analytics das ganz ohne Code. Melden Sie sich unter sight.tago.io/login mit Ihrem TagoIO-Konto an und trainieren Sie in wenigen Minuten eine Prognose auf Ihren Daten, inklusive Anomalieerkennung, ohne Modellierungsskript oder Data Scientist.
