{"id":70413,"date":"2026-10-01T10:30:06","date_gmt":"2026-10-01T08:30:06","guid":{"rendered":"https:\/\/www.inovex.de\/?post_type=events&p=70413"},"modified":"2026-10-01T11:44:04","modified_gmt":"2026-10-01T09:44:04","slug":"meetup-probabilistische-zeitreihen-unsicherheiten-ki-in-der-praxis","status":"publish","type":"events","link":"https:\/\/www.inovex.de\/de\/news-events\/events\/meetup-probabilistische-zeitreihen-unsicherheiten-ki-in-der-praxis\/","title":{"rendered":"[Meetup] Probabilistische Zeitreihen & Unsicherheiten: KI in der Praxis"},"content":{"rendered":"

Herzliche Einladung zu unserem n\u00e4chsten Meetup in Karlsruhe – diesmal vor Ort bei Smight<\/strong>!<\/p>\n

Talk 1: Probabilistische Synthese elektrischer Lastg\u00e4nge unter Populationsverschiebung \u2014 ein Praxisbeispiel (Pascal Pflanz, Data Scientist bei SMIGHT)<\/strong>
\nVerteilnetzbetreiber (VNB) k\u00f6nnen nur dort handeln, wo sie etwas sehen \u2014 und in Niederspannungsnetzen sehen sie sehr wenig: je nach VNB sind nur rund 10 % der relevanten Niederspannungsbetriebsmittel messtechnisch erfasst. Day-Ahead-Entscheidungen im Netzbetrieb, wie Engpassbewertung und -management, m\u00fcssen dennoch f\u00fcr alle getroffen werden.<\/p>\n

Der Ansatz behandelt dies als Cold-Start-Problem und nicht als Prognoseproblem: Aus statischen Merkmalen eines Abgangs und bekannten dynamischen Kovariaten (Wetterprognose, Kalender) synthetisiert das Modell einen vollst\u00e4ndigen Day-Ahead-Lastgang f\u00fcr ungemessene Abg\u00e4nge. Da die Unsicherheiten erheblich und teilweise inh\u00e4rent nicht reduzierbar sind (unbekanntes Verbrauchsverhalten, Stammdatenqualit\u00e4t, Wetterprognose), l\u00e4sst sich die Fragestellung des VNB durch Punktprognosen kaum beantworten. Das Verfahren gibt daher kalibrierte marginale Wahrscheinlichkeitsverteilungen je Zeitschritt aus, validiert an Abg\u00e4ngen, die vollst\u00e4ndig aus dem Training ausgeschlossen wurden. Daraus wird eine bedingte Day-Ahead-Wahrscheinlichkeit f\u00fcr eine Schwellwertverletzung abgeleitet, die dem VNB risikoinformierte Entscheidungen \u00fcber den Einsatz von Ma\u00dfnahmen erlaubt.
\nEine Schwellwertverletzung je Abgang und Zeitschritt ist allerdings noch kein Engpass. Ein nachgelagertes Verfahren, das f\u00fcr Abg\u00e4nge mit erh\u00f6hter Verletzungswahrscheinlichkeit Eintrittswahrscheinlichkeit und Ausma\u00df eines tats\u00e4chlichen Engpasses absch\u00e4tzt, bleibt ein Ausblick.<\/p>\n

Talk 2: Conformal Prediction for Time Series Forecasting (Nick Koch, Data und ML Engineer bei inovex)<\/strong>
\nWir untersuchen den entscheidenden Wandel von der einfachen Punktsch\u00e4tzung zur probabilistischen Unsicherheitsquantifizierung in der Zeitreihenvorhersage, wobei der Schwerpunkt auf dem robusten Framework der Conformal Prediction (konforme Vorhersage) liegt.<\/p>\n

Zun\u00e4chst vergleichen wir die standardm\u00e4\u00dfige Conformal Prediction mit der einfachen Quantilregression. Dabei beleuchten wir, wie die Conformalized Quantile Regression die adaptive, Heteroskedastizit\u00e4t ber\u00fccksichtigende Natur von Quantilmodellen erfolgreich mit den strengen, f\u00fcr endliche Stichproben geltenden marginalen Abdeckungsgarantien (Marginal Coverage Guarantees) konformer Methoden vereint.<\/p>\n

Als N\u00e4chstes befassen wir uns mit der grundlegenden Annahme der Austauschbarkeit (Exchangeability), die f\u00fcr die klassische Conformal Prediction zwingend erforderlich ist. Wir diskutieren, warum zeitliche Dynamiken \u2013 wie Autokorrelation, Volatilit\u00e4ts-Clustering und Konzeptdrift (Concept Drift) \u2013 diese Kernvoraussetzung grundlegend verletzen.<\/p>\n

Um diese Einschr\u00e4nkung zu \u00fcberwinden, stellen wir moderne algorithmische Verfahren vor, die speziell daf\u00fcr entwickelt wurden, sich von der Annahme der Austauschbarkeit bei sequenziellen Daten zu l\u00f6sen. Wir untersuchen konzeptionelle Ans\u00e4tze, die kontinuierliche Feedback-Schleifen, gleitende Residuenfenster und adaptive Gewichtungen nutzen, um auch bei Verteilungsverschiebungen (Distribution Shifts) eine valide Abdeckung aufrechtzuerhalten, ohne dabei auf statische Kalibrierungsdatens\u00e4tze angewiesen zu sein.<\/p>\n

Folgende ungef\u00e4hre Agenda<\/strong> erwartet dich:<\/p>\n