IoT Sensordaten Forecasting

Zur automatisierten Steuerung der technischen Komponenten von Talsperren werden Modelle benötigt, welche die Abhängigkeiten von beispielsweise Niederschlag auf Wasserstände prognostizieren können. Basis dafür ist eine große Menge von Sensordaten.

• Prognose von Wasserständen und technischer Parameter basierend auf Sensordaten 
• Integration von Niederschlagsmengen, Luftfeuchtigkeit, Temperaturen in ein multivariates Modell
• Steigerung der Prognose Genauigkeit

Basierend auf Daten unterschiedlicher Sensoren wurde ein Deep Learning Modell entwickelt, welches Wasserstände anhand mehrerer Inputdaten vorhersagt. Dazu wurde das Framework TensorFlow in der Programmiersprache R eingesetzt. Um Training und Prognose entsprechend zu skalieren, wurde zum Deployment eine Cloud Infrastruktur genutzt.

• Aufbau und Training eines Deep Learning Modells (neuronales Netz)
• Systematische Modellvalidierung mittels Backtesting
• Evaluierung unterschiedlicher Modell-Architekturen und Layer-Typen (RNN, LSTM, CNN)

• Forecasting Modell
• Operationalisierung mittels Machine Learning Operations (MLOps) Praktiken
• Testprozeduren zur laufenden Modell-Validierung