Ein Hersteller von Automotoren sammelt zeitgestempelte Sensordaten (Motortemperatur, Drehzahl usw.), während Fahrzeuge gefahren werden. Das Unternehmen möchte bevorstehende Motorfehler vorhersagen, damit Fahrer im Voraus benachrichtigt werden können. Der Data Lake enthält die historischen Sensorströme für das Training. Welcher prädiktive Modellierungsansatz ist am besten geeignet, um ihn in der Produktion einzusetzen?

Die Kennzeichnung der Zeitreihen mit Fehlerereignissen schafft einen überwachten Datensatz, der für prädiktive Modelle unerlässlich ist. Ein Rekurrentes Neuronales Netz (RNN), insbesondere Varianten wie LSTMs oder GRUs, ist aufgrund seiner Fähigkeit, sequentielle Daten und zeitliche Abhängigkeiten zu verarbeiten, ideal für Zeitreihen-Vorhersagen geeignet. Es kann Muster in den Sensordaten erkennen, die auf bevorstehende Motorfehler hindeuten. K-Means-Clustering ist eine unüberwachte Methode zur Mustererkennung, aber nicht zur Vorhersage spezifischer Ereignisse. Ein Convolutional Neural Network (CNN) ist primär für räumliche Daten wie Bilder optimiert, obwohl es auch für Zeitreihen adaptiert werden kann, ist ein RNN für zeitliche Abhängigkeiten oft effektiver. Ein Sequenz-zu-Sequenz-Modell ist zwar für Zeitreihen geeignet, aber die spezifische Formulierung als "RNN trainieren" ist präziser für die Vorhersage von Ereignissen basierend auf historischen Sequenzen.