Hyperparameteroptimierung für Lastprognose

Die Studie untersucht, wie ressourcenschonende Strategien zur Hyperparameteroptimierung die Genauigkeit und die Laufzeit industrieller Lastprognosen beeinflussen. Mit einem Taguchi-Design wurden zwei Modelle des maschinellen Lernens mit verschiedenen vereinfachenden Verfahren, sogenannten Pruning- und Subsampling-Methoden, getestet. Zufälliges Subsampling auf 30 % der Daten und Hyperband-Pruning erzielten teils bessere Prognosen bei deutlich geringerem Rechenaufwand.

The study investigates the impact of low-fidelity strategies for hyperparameter optimization on the accuracy and computational costs of industrial load forecasting. Using a Taguchi design, two machine learning models were evaluated under different pruning and subsampling methods. Random subsampling of 30 % of the data combined with Hyperband pruning yielded equal or better predictive performance while significantly reducing computational resources.