AT503846B1 - Optimized forecast determining method for controlling or regulation of operative system and/or process, involves eliminating contradictory individual forecasts and aggregating remaining individual forecasts into optimized overall forecast - Google Patents
Optimized forecast determining method for controlling or regulation of operative system and/or process, involves eliminating contradictory individual forecasts and aggregating remaining individual forecasts into optimized overall forecast Download PDFInfo
- Publication number
- AT503846B1 AT503846B1 AT11172006A AT11172006A AT503846B1 AT 503846 B1 AT503846 B1 AT 503846B1 AT 11172006 A AT11172006 A AT 11172006A AT 11172006 A AT11172006 A AT 11172006A AT 503846 B1 AT503846 B1 AT 503846B1
- Authority
- AT
- Austria
- Prior art keywords
- forecast
- forecasts
- prognosis
- individual
- unit
- Prior art date
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
2 AT 503 846 B12 AT 503 846 B1
Die Erfindung betrifft ein Verfahren zur automatisierten Ermittlung von optimierten Prognosen auf der Basis von Einzelprognosen für die Steuerung oder Regelung operativer Systeme bzw. Prozesse.The invention relates to a method for the automated determination of optimized forecasts on the basis of individual forecasts for the control or regulation of operative systems or processes.
Weiters bezieht sich die Erfindung auf ein System zur automatisierten Herleitung von optimierten Prognosen für die Steuerung oder Regelung operativer Systeme bzw. Prozesse.Furthermore, the invention relates to a system for the automated derivation of optimized forecasts for the control or regulation of operative systems or processes.
Zahlreiche Steuertechniken in operativen Systemen, z.B. bei industriellen Fertigungsprozessen, bei Anlagen zur Energieerzeugung oder bei der Steuerung von hydrologischen Anlagen, Hei-zungs- und Bewässerungssystemen bis hin zu Finanzhandelssystemen basieren auf automatischen Einheiten zur Generierung von Prognosedaten für bestimmte Systemzustands- oder Prozessparameter. Die Genauigkeit und Zuverlässigkeit solcher Prognosedaten ist oft eine wesentliche Voraussetzung für eine funktionierende Steuerung.Numerous control techniques in operational systems, e.g. Industrial manufacturing, power generation or control of hydrology, heating and irrigation systems, and financial trading systems are based on automatic units for generating forecast data for specific system state or process parameters. The accuracy and reliability of such forecast data is often an essential prerequisite for a functioning control.
Aus der DE 197 32 295 A1 ist es beispielsweise bekannt, Prognosedaten einer einzelnen Prognoseeinheit für eine prognostische Regelung einer Heizungsanlage einzusetzen, wobei im Einzelnen Wetterdaten einer zentralen Wetterstation zugeführt werden. Dabei ist jedoch lediglich die Übertragung von Prognosedaten von einer zentralen Prognoseeinheit vorgesehen, wobei im Fall von ungenauen Prognosen eine ungenügende Regelung der Heizungsanlage die Folge ist. Ein ähnliches System ist in der GB 2 309 567 A beschrieben, wobei hier zusätzlich die Rückübermittlung von Messdaten des Heizungssystems an eine zentrale Stelle vorgeschlagen wird.From DE 197 32 295 A1 it is known, for example, to use prognosis data of a single forecasting unit for a prognostic control of a heating system, wherein in particular weather data are fed to a central weather station. However, only the transmission of forecast data from a central forecasting unit is provided, whereby in the case of inaccurate forecasts an inadequate regulation of the heating system is the consequence. A similar system is described in GB 2 309 567 A, in which case additionally the return transmission of measurement data of the heating system to a central location is proposed.
Die Implementierung von Prognosemodellen für Einzelprognosen erfolgt an sich auf Basis bekannter statistischer Methoden und Modelle, insbesondere unter Einsatz moderner Verfahren, wie der in WO 2004/029738 A1 beschriebenen SOM-Methode (SOM - Seif Organizing Maps - Selbstorganisierende Karten) oder von Methoden aus dem Bereich der künstlichen Intelligenz (z.B. neuronale Netze, genetische Algorithmen).The implementation of forecasting models for individual forecasts is carried out on the basis of known statistical methods and models, in particular using modern methods, such as the method described in WO 2004/029738 A1 SOM method (SOM - Seif Organizing Maps - self-organizing maps) or methods of the Field of artificial intelligence (eg neural networks, genetic algorithms).
Viele dieser Methoden werden jedoch in automatischen Systemen bisher kaum eingesetzt, weil ihre Effizienz und Stabilität im Allgemeinen nicht sichergestellt werden kann. Ein Grund hierfür liegt im Fehlen statistisch gesicherter Aussagen über die Grenzen der Effizienz und Gültigkeit von Black-Box-Modellen, d.h. in Problemen im Zusammenhang mit der Erklärbarkeit und Zuverlässigkeit der Prognosen.However, many of these methods are rarely used in automated systems because their efficiency and stability in general can not be guaranteed. One reason for this is the lack of statistically validated statements about the limits of the efficiency and validity of black box models, i. in problems related to the predictability and reliability of forecasts.
Es ist daher Aufgabe der Erfindung, ein Verfahren bzw. ein System zur Herleitung von optimierten Prognosen vorzuschlagen, das auf mehreren Einzelprognosen basiert, die zur Erzielung einer hohen Zuverlässigkeit zu einer Gesamtprognose ausgewertet werden. Die Erfindung basiert dabei auf der Erkenntnis, dass bei Auswertung mehrerer Einzelprognosen über Gewichtungen Widersprüche eliminiert werden können und eine optimierte Gesamtprognose aus den Einzelprognosen hergeleitet werden kann, die auch sukzessive, durch entsprechende Korrektur der den Prognoseeinheiten zugeordneten Gewichten, immer exakter wird. Gleichzeitig wird ein Rauschfaktor ermittelt, der die Gültigkeit der optimierten Gesamtprognose beschreibt.It is therefore an object of the invention to provide a method and a system for the derivation of optimized forecasts, which is based on several individual forecasts, which are evaluated to achieve a high reliability to a total forecast. The invention is based on the finding that contradictions can be eliminated when evaluating several individual predictions about weights and an optimized overall forecast can be derived from the individual forecasts, which is also successively more accurate by appropriate correction of the weights assigned to the forecasting units. At the same time, a noise factor is determined which describes the validity of the optimized overall forecast.
Zur Lösung dieser Aufgabe sieht die Erfindung ein Verfahren und ein System wie in den unabhängigen Ansprüchen angegeben vor. Vorteilhafte Ausführungsformen und Weiterbildungen sind Gegenstand der abhängigen Ansprüche.To achieve this object, the invention provides a method and a system as specified in the independent claims. Advantageous embodiments and further developments are the subject of the dependent claims.
Die vorliegende Technik beruht auf der Anwendung einer adaptiven Methode, mit einer Komprimierungs-Kodierung, wobei in einem ersten Schritt eine Mehrzahl von Prognoseeinheiten ihre Prognosen für einen bestimmten System- oder Prozesszustand an eine zentrale Aggregationseinheit übermittelt. Dabei wird im Prognosesignal-Datensatz zusätzlich zum jeweiligen Prognosewert und seiner statistischen Verteilung auch eine Gewichtung sowie auch ein Rauschfaktor mitgegeben. Hierbei entsteht eine einheitliche Abstraktion der Daten unterschiedlicher Prognoseeinheiten, die durch Prognosehorizont, Prognosewert, dessen statistische Ver- 3 AT 503 846 B1 teilung, sein Prognosegewicht und Rauschfaktor gegeben ist. Diese Abstraktion ist für die einheitliche Übertragung und Rückübertragung von Prognosesignalen jeder Art geeignet.The present technique is based on the application of an adaptive method, with a compression coding, wherein in a first step, a plurality of forecast units transmit their forecasts for a specific system or process state to a central aggregation unit. In addition to the respective forecast value and its statistical distribution, a weighting and a noise factor are also included in the prognosis signal dataset. This results in a uniform abstraction of the data of different forecast units, which is given by the forecast horizon, forecast value, its statistical distribution, its prognosis weight and noise factor. This abstraction is suitable for the uniform transmission and retransmission of forecast signals of any kind.
Zur Verdeutlichung des Prognosesignal-Datensatzes kann folgendes Beispiel angeführt werden: Eine Starkregen-Prognoseeinheit prognostiziert eine Niederschlagsintensität in einem bestimmten Einzugsgebiet für einen bestimmten Zeitpunkt mit z.B. 0,35 mm/h, lognormal verteilt mit einer Standardabweichung von z.B. 5,2%. Diese Prognose wird mit einem Gewicht von z.B. 172% und einem die geschätzte Zuverlässigkeit der Prognose beschreibenden Rauschfaktor von z.B. 2,4% an eine zentrale Verarbeitungseinheit übermittelt.To illustrate the forecast signal record, the following example may be cited: A heavy rain forecast unit predicts a rainfall intensity in a particular catchment area for a given time with e.g. 0.35 mm / h, log normal distributed with a standard deviation of e.g. 5.2%. This prognosis is made with a weight of e.g. 172% and a noise factor describing the estimated reliability of the prognosis of e.g. 2.4% to a central processing unit.
An sich ist aus DE 195 37 850 A ein Verfahren zur Codierung von witterungsbezogenen Prognosedaten bekannt, welches aber eine rein meteorologische und keine universell anwendbare Prognosesignal-Codierung ermöglicht und auch keine Gewichtung und keinen Rauschfaktor zur Aggregierung und Verknüpfung von Signalen mehrerer Prognoseeinheiten vorsieht.In itself, DE 195 37 850 A discloses a method for encoding weather-related prognosis data, which, however, allows a purely meteorological and not universally applicable prognosis signal coding and also provides no weighting and no noise factor for aggregation and linking of signals of several prognosis units.
Die nachfolgend noch näher dargestellten mathematischen Operationen zur Eliminierung und Aggregierung derart codierter Prognosesignale, sowie zur Substitution und Evaluation von Prognosekonflikten stellen bevorzugte Möglichkeiten zur Erzielung der gewünschten, optimierten Prognoseermittlung dar, bei der die Gewichtung und der Rauschfaktor zur Aggregierung und Verknüpfung von Signalen mehrerer Prognoseeinheiten vorgesehen sind bzw. diese ermöglichen.The mathematical operations described below in more detail for the elimination and aggregation of such coded prognosis signals and for the substitution and evaluation of prognosis conflicts represent preferred possibilities for achieving the desired, optimized prognostic determination, in which the weighting and the noise factor are used to aggregate and link signals of several prognosis units are or allow this.
Die aufgrund von Widersprüchen eliminierten Prognosen jeweils zweier Prognoseeinheiten werden in einer Datenbank temporär, d.h. bis zum Ende des Prognosehorizonts, gespeichert, und zwar in Form je eines Prognosekonflikt-Datensatzes, der als einheitliche Abstraktion den errechneten Prognosetrennwert, das errechnete Gewichtungsverhältnis (Ratio) sowie die Gesamtgewichtung darstellt. Damit wird es möglich, trotz einer Mehrzahl von synchron oder asynchron einlangenden unterschiedlichen Einzelprognosen zu jedem Zeitpunkt nur eine einzige gültige, iterativ verbesserte Gesamtprognose zu ermitteln.The forecasts of two forecasting units eliminated due to contradictions are stored in a database temporarily, i. up to the end of the forecast horizon, in the form of one forecast conflict record each, which represents as a uniform abstraction the calculated forecast separation value, the calculated weighting ratio (ratio) and the overall weighting. This makes it possible, despite a plurality of synchronously or asynchronously arriving different individual forecasts at any time to determine only a single valid, iteratively improved overall forecast.
Dadurch ist nachfolgend eine kapazitätssparende Speicherung und jederzeitige Übertragung eines einzigen, den aggregierten und aktuellen Stand einer beliebig großen Anzahl von Einzelprognosen beschreibenden Datensatzes - in der Art einer Datenkompression - möglich. Dies ist insbesondere von Vorteil, wenn eine Prognose gleichzeitig als Input-Faktor für die Modellierung anderer, von diesem Wert abhängiger Prognosen (z.B. Temperatur und Niederschlag) oder für eine iterative Verbesserung der Prognose selbst dient.As a result, below is a capacity-saving storage and at any time transmission of a single, the aggregated and current state of any large number of individual forecasts descriptive record - in the manner of data compression - possible. This is particularly advantageous when a forecast also serves as an input factor for modeling other forecasts that depend on this value (e.g., temperature and precipitation) or for iteratively improving the forecast itself.
Die vorliegende Technik ermöglicht auch die Komprimierung der Prognoseinformation für Zwecke der Speicherung und Übertragung, völlig unabhängig vom jeweiligen Prognoseverfahren oder -modell der verbundenen Prognoseeinheiten. Dies ist ein weiterer Unterschied zu bekannten Prognoseermittlungen, die lediglich das Ziel verfolgen, aus einer oft großen Gesamtdatenmenge in einem spezifischen, beliebig aufwändigen Prognoseverfahren die gewünschten Prognosen zu ermitteln.The present technique also allows the compression of forecasting information for storage and transmission purposes, completely independent of the respective forecasting method or model of the associated forecasting units. This is a further difference to known prognosis determinations, which only pursue the goal of ascertaining the desired prognoses from an often large total data quantity in a specific, arbitrarily complex prognosis procedure.
Die Anwendung von Gewichten (Gewichtungen) ist vorteilhaft, da das verfügbare Gewicht einer besseren Prognoseeinheit laufend erhöht werden kann, wodurch deren Prognosen in der Folge bei der weiteren Aggregation stärker eingerechnet werden kann und sich so die aggregierten Gesamtprognosen laufend verbessern.The application of weights (weightings) is advantageous because the available weight of a better forecasting unit can be continuously increased, as a result of which its forecasts can be taken into greater account in the further aggregation, thus constantly improving the aggregated overall forecasts.
Es sei erwähnt, dass aus der US 6 036 349 A bereits die Anwendung von Gewichten, allerdings zur Validierung von Prognosemodellen, bekannt ist, wobei dort eine Beurteilung der Qualität der Prognoseeinheiten selbst angestrebt wird, ohne dass das Gewicht in die Gewinnung besserer Prognoseinformation einfließt oder das Gewicht eine automatische Regelung des Einflusses jeder Prognoseeinheit auf eine Gesamtprognose erlaubt. 4 AT 503 846 B1It should be noted that US Pat. No. 6,036,349 already discloses the use of weights, but for the validation of prognosis models, where an assessment of the quality of the prognosis units itself is aimed for, without the weight being taken into account in obtaining better prognosis information or the weight allows an automatic regulation of the influence of each prediction unit on an overall prognosis. 4 AT 503 846 B1
Die vorliegende Anwendung von rechnerischen Gewichten schafft weiters bei einer Mehrzahl von Prognoseeinheiten und Prognosewerten eine vorteilhafte Vernetzungswirkung. Wenn nämlich ein Prognosewert einen Input für das Prognosemodell einer zweiten Prognoseeinheit darstellt, kann letztere dafür einen angenommenen Prognosewert sowie ein Gewicht und einen geringeren Rauschfaktor bereitstellen, womit andere, nachgeordnete Prognoseeinheiten durch eine Verbesserung jenes ersten Prognosewertes potentiell an Gewicht gewinnen können und eine iterative Optimierung automatisch beginnt. In der Folge ergibt sich eine laufende Verringerung des Rauschfaktors aller betroffenen Prognosewerte, bis schließlich das Gesamtsystem ein Gleichgewicht erreicht. Die Verwendung von Gewichten ermöglicht also ein gegenüber Einzelprognosen verbessertes Gesamtsystem von vernetzten Prognosen.The present application of computational weights also provides a beneficial crosslinking effect on a plurality of forecasting units and forecasting values. Namely, if a forecast value represents an input for the forecasting model of a second forecasting unit, the latter can provide an assumed forecasting value and a weight and a lower noise factor, whereby other, downstream forecasting units can potentially gain weight by an improvement of that first forecasting value and an iterative optimization automatically starts. As a result, there is an ongoing reduction in the noise factor of all affected forecast values until finally the overall system reaches equilibrium. The use of weights thus enables an overall system of networked forecasts which is improved compared to individual forecasts.
Als Konsequenz des erfindungsgemäßen Systems ist es daher möglich, dass sich mehrere Prognoseeinheiten bezüglich mehrerer Prognosewerte vernetzen, indem sie auf der Knotenebene beliebige Verfahren (wie neuronale Netze oder Regressionen) für die Ermittlung von einzelnen Prognosewerten anwenden, welche die Prognosegüte optimieren, und auf Netzebene Optimierungsverfahren für die Übermittlung von Prognosen für die Aggregation anwenden, welche insgesamt die Gewichtzuordnung zur Prognoseeinheit maximieren.As a consequence of the system according to the invention, it is therefore possible for several forecast units to network with respect to several forecast values, by using arbitrary methods (such as neural networks or regressions) for the determination of individual forecast values which optimize the forecast quality at the node level and optimization methods at the network level apply aggregation forecasts that maximize the weight allocation to the forecasting unit.
Zur Verdeutlichung der Vorteilhaftigkeit der vorliegenden Vernetzung von Einzelprognosen sei folgendes Beispiel angeführt: Ein Staubecken dient sowohl der Energieerzeugung als auch dem Hochwasserschutz und der Bewässerung. Mehrere Prognoseeinheiten produzieren dazu relevante Prognoseinformationen, z.B. für Temperaturen, für Niederschlagsmengen und für die Bodenfeuchtigkeit des zugehörigen wasserwirtschaftlichen Einzugsgebietes. Eine Schleusensteuerungseinheit hat die Aufgabe, einen für die Energieerzeugung und für die Bewässerung einerseits sowie für den Hochwasserschutz andererseits optimalen (maximalen) Pegelstand unter Berücksichtigung der prognostizierten Zuflussganglinie zu halten, die von den obigen meteorologischen Prognosen, von den physikalischen Eigenschaften des jeweiligen Einzugsgebiets, aber auch von den Steuerungen vorgelagerter hydrologischer Einrichtungen abhängig ist, wobei die Steuerung aber ihrerseits Prognosedaten liefert, welche die Zuflussganglinie nachgelagerter hydrologischer Einrichtungen (Staubecken) betreffen. Gleichzeitig beeinflussen die meteorologischen (und andere) Prognosedaten auch die Prognosen für den Energie-und den Wasserverbrauch, wobei beispielsweise der Energieverbrauch mit niedrigeren Temperaturen um ein gewisses Maß steigen könnte, und der Wasserverbrauch bei höheren Temperaturen in saisonaler Abhängigkeit steigen könnte. Es wird somit deutlich, wie durch die Vernetzung der verschiedenen Prognosen eine verbesserte Gesamtsteuerung in Hinblick auf die drei Steuerungsziele (Überflutungsschutz, Energieproduktion, Bewässerung) möglich wird.To illustrate the advantages of the present network of individual forecasts, the following example is given: A reservoir serves both for energy generation and for flood protection and irrigation. Several forecast units produce relevant forecast information, e.g. for temperatures, for rainfall and for the soil moisture of the associated water catchment. The purpose of a lock control unit is to maintain a (maximum) water level optimal for power generation and irrigation on the one hand and flood protection on the basis of the predicted inflow line, which depends on the above meteorological forecasts, on the physical characteristics of the respective catchment area is dependent on the controls of upstream hydrological facilities, but the control in turn provides prognosis data concerning the inflow course of downstream hydrological facilities (reservoirs). At the same time, meteorological (and other) forecasting data also influence energy and water consumption forecasts, with energy consumption at lower temperatures, for example, rising to some extent and water use at higher temperatures increasing in seasonal dependency. It thus becomes clear how the interconnectedness of the different forecasts will lead to an improved overall control with regard to the three control objectives (flood protection, energy production, irrigation).
Bei der vorliegenden Technik wird bei der Aggregation der Einzelprognosen der von den Prognoseeinheiten übermittelte Rauschfaktor berücksichtigt, der zu überwinden ist. Nachfolgend wird noch näher dargestellt, wie die Dichtefunktion eines lognormal verteilten Prognosewertes durch den Rauschfaktor verringert wird. Der Rauschfaktor begrenzt das Auftreten eines Prognosewiderspruchs; ohne ihn würde jede neue Prognose einer vorhergehenden unmittelbar widersprechen; mit einem Rauschfaktor kann eine Mehrzahl begrenzt unterschiedlicher Prognosen aktiv bleiben. Beispielsweise sieht eine erste Prognoseeinheit für einen bestimmten künftigen Zeitpunkt einen Pegelstand der oben genannten hydrologischen Einrichtung von 8,04 m mit einer Standardabweichung von 1,4% voraus. Diese Prognose wird mit einem Gewicht von 0,12 und mit einem Rauschfaktor von 2,7% codiert und übermittelt. Dagegen erwartet eine andere, zweite Prognoseeinheit einen Pegelstand von 8,11 m mit einer Standardabweichung von 1,8%, und sie meldet diese Prognose mit einem Gewicht von 0,24, aber einem Rauschfaktor von 7,6%. In gleicher Art können Prognosen für Temperaturen, Niederschlagsmengen, Bodenfeuchtigkeit, etc. codiert werden.In the present technique, the aggregation of the individual predictions takes into account the noise factor transmitted by the forecast units, which must be overcome. Below is shown in more detail how the density function of a lognormal distributed forecast value is reduced by the noise factor. The noise factor limits the occurrence of a prognosis contradiction; without him any new prognosis would immediately contradict a previous one; with a noise factor, a plurality of limited different predictions may remain active. For example, a first forecasting unit for a given future point in time will require a water level of the aforementioned 8.04m hydrological facility with a standard deviation of 1.4%. This prognosis is coded and transmitted with a weight of 0.12 and a noise factor of 2.7%. On the other hand, another second forecasting unit expects a water level of 8.11 meters with a standard deviation of 1.8% and reports this forecast with a weight of 0.24 but a noise factor of 7.6%. In the same way forecasts for temperatures, precipitation, soil moisture, etc. can be coded.
Ein Prognosewiderspruch unter Berücksichtigung des Rauschfaktors liegt nun erst vor, wenn die um den Rauschfaktor erhöhte inverse Wahrscheinlichkeit (nachfolgend als „Ratio“ bezeichnet), dass der Schlusswert zum Prognosezeitpunkt kleiner (oder größer) ist als ein bestimmter 5 AT 503 846 B1A prediction discrepancy taking into account the noise factor is now only present when the inverse probability increased by the noise factor (referred to below as "ratio") that the final value at the time of prognosis is smaller (or greater) than a certain one
Datenpunkt, größer ist als die inverse Ratio (auch als Anti-Ratio bezeichnet) einer anderen Prognose am selben Datenpunkt. Dies kann berechnet werden, indem, wie nachfolgend noch genauer erläutert werden wird, mit Methoden der Kurvendiskussion ein Nullpunkt der zweiten Ableitung der (nachstehenden) Formel für den Ratioquotienten ermittelt wird, wobei für kleinere und größere Schlusswerte je ein Nullpunkt zu ermitteln ist. Gemäß der Erfindung werden derart widersprüchliche Prognosen in Abhängigkeit von ihren Gewichten ausgeschieden, und es wird wie erwähnt ein Prognosekonflikt-Datensatz generiert. Als Beispiel für einen Prognosekonflikt sei für die obige(n) Staubecken-Annahme(n) Folgendes angeführt: Der Prognosetrennwert liegt bei einem Pegelstand von 8,0786 mit einem Ratioquotienten von 1,42095 (Berechnungen siehe unten). Das Gewicht der ersten Prognose von 0,12 wird mit einer Ratio von 1,62036 vollständig eliminiert, die zweite Prognose bleibt aktiv und fließt nachfolgend mit einer Gewichtung von 0,1656 in die aggregierte Prognose ein, denn von ursprünglich 0,24 Gewicht sind nachfolgend 0,0744 (0,12 mal 0,62036) im Prognosekonflikt bis zum Prognosehorizont gebunden.Data point, greater than the inverse ratio (also called anti-ratio) of another forecast at the same data point. This can be calculated by, as will be explained in more detail below, using methods of the curve discussion to determine a zero point of the second derivative of the (below) formula for the ratio quotient, a zero point being determined for smaller and larger final values. According to the invention, such conflicting predictions are eliminated depending on their weights, and as mentioned, a forecast conflict record is generated. As an example of a forecast conflict, the following assumption is made for the above reservoir assumption (s): The forecast separation value is at a level of 8.0786 with a ratio of 1.42095 (see below for calculations). The weight of the first forecast of 0.12 is completely eliminated with a ratio of 1.62036, the second forecast remains active and subsequently flows into the aggregated forecast with a weighting of 0.1656, as of originally 0.24 weight are below 0.0744 (0.12 times 0.62036) in the forecast conflict bound to the forecast horizon.
Zum Prognosehorizont wird durch die Evaluierungseinheit die Gesamtgewichtung jedes Prognosekonflikt-Datensatzes jener Prognoseeinheit zugerechnet, die entweder anhand des von einer Messeinheit gemessenen tatsächlichen Wertes oder aber anhand eines zeitlich nachgelagerten Gesamtprognosewerts einer anderen Aggregationseinheit für denselben Prognosewert bezüglich des errechneten Prognosetrennwerts seitenrichtig war. Die zweite Methode kommt dann zur Anwendung, wenn der tatsächliche Wert zum fraglichen Prognosezeitpunkt nicht gemessen werden kann. Im obigen Beispiel ist der Pegelstand messbar, er könnte zum Beispiel bei 8,11 m liegen, wodurch die Einzelprognose der zweiten Prognoseeinheit künftig mehr Gewicht hat.For the forecast horizon, the evaluation unit assigns the total weighting of each prediction conflict record to that prediction unit that was correct for the same forecast value with respect to the calculated prognosis separation value, either on the basis of the actual value measured by one measurement unit or on the basis of a temporally downstream total prediction value of another aggregation unit. The second method is used when the actual value at the forecast time in question can not be measured. In the above example, the level can be measured, for example, it could be 8.11 m, which means that the individual forecast of the second forecast unit will have more weight in the future.
Die Prognoseeinheiten oder allgemein Eingabeeinheiten ermitteln mit einem (beliebigen eigenen) Verfahren somit regelmäßig Prognosen und übermitteln diese an das System, d.h. an die Rechnermittel. Vom System bevorzugt rückübermittelte aggregierte Prognosen (sowohl zu derselben als auch zu anderen Inputgrößen) und ihr Rauschfaktor können den Prognoseeinheiten im Sinne einer adaptiven Methode zur iterativen Verbesserung der eigenen Prognosen dienen.The forecast units or generally input units thus regularly use a (arbitrary own) method to determine forecasts and transmit them to the system, i. to the computer means. The system prefers returned aggregated forecasts (both at the same and other inputs) and their noise factor can serve the forecasting units in the sense of an adaptive method for the iterative improvement of their own forecasts.
Die eingehenden Prognosesignale werden vom System in einer Speichereinheit gespeichert und durchlaufen dann eine Prognosesignalverarbeitung, die zunächst ermittelt, ob das neue Prognosesignal einer bereits gespeicherten aktiven Prognose widerspricht und zu welcher aktiven Prognose der größte Widerspruch vorliegt. Widersprüchliche Prognosen werden durch eine nach dem Widerspruchsausmaß geordnete Elimination in einer Speichereinheit für Prognosekonflikte mit dem eliminierten Gewicht gespeichert, und die Elimination wird in den Prognosesignal-Datensätzen gewichtsreduzierend vermerkt. Prognosen mit einer auf Null reduzierten Gewichtung werden inaktiv. Aus den im Prognosespeicher verbleibenden aktiven Prognosen wird in der Aggregationseinheit durch statistische Aggregation eine optimierte Gesamtprognose errechnet.The incoming forecast signals are stored by the system in a memory unit and then go through a prognosis signal processing, which first determines whether the new prognosis signal contradicts an already stored active prognosis and to which active prognosis the greatest contradiction exists. Contradictory predictions are stored by elimination ordered by degree of contradiction in a predicted conflict memory unit with the weight eliminated, and the elimination is noted in the forecast signal data sets to reduce weight. Predictions with zero weighting become inactive. From the active forecasts remaining in the forecast memory, an optimized overall forecast is calculated in the aggregation unit by means of statistical aggregation.
Die optimierte Gesamtprognose wird sodann an eine Steuereinheit übermittelt, die ihrerseits daraus resultierende Steuersignale an eine Prozesseinheit weiter übermittelt. Zudem kann die ermittelte Gesamtprognose in geeigneter Periodizität von jenen Prognoseeinheiten auch aktiv abgefragt werden, die diesen Wert entweder prognostizieren oder als Input benötigen, ohne dass jeder einzelne aggregierte Wert übermittelt werden muss.The optimized overall prognosis is then transmitted to a control unit, which in turn forwards the resulting control signals to a process unit. In addition, the calculated overall forecast can also be actively queried in suitable periodicity by those forecast units which either forecast this value or need it as input, without having to transmit each individual aggregated value.
Im Prognosekonflikt-Speicher gespeicherte Datensätze werden zum Prognosehorizont evaluiert, indem der von einer Messeinheit tatsächlich gemessene Wert oder eine nachgelagerte Gesamtprognose mit ihnen verglichen werden. Die resultierenden freiwerdenden Gewichte werden der entsprechenden Prognoseeinheit zugerechnet.Records stored in the prediction conflict memory are evaluated at the forecast horizon by comparing the value actually measured by a measurement unit or a downstream overall forecast with them. The resulting released weights are assigned to the corresponding forecast unit.
Jene Prognoseeinheiten, denen Prognosekonflikt-Datensätze zugerechnet werden, können jederzeit anfordern, das Gewicht dieser Konflikt-Datensätze gegen Gewichtung anderer aktiver 6 AT 503 846 B1Those forecasting units to which forecast conflict records are attributed may request at any time the weight of these conflict records against weighting of other active 6 AT 503 846 B1
Prognosen zu substituieren. Das freigesetzte Gewicht steht der betreffenden Prognoseeinheit nachfolgend sofort für neue Prognosesignale zur Verfügung.To substitute forecasts. The released weight is immediately available to the relevant forecast unit for new forecast signals.
Es sei noch erwähnt, dass im Stand der Technik verschiedentlich Verbesserungen von einzelnen, konkret gewählten Prognosemodellen vorgeschlagen wurden, wie etwa in der DE 101 27 790 A1, die ein adaptives Modell vorschlägt, das ein einzelnes, vorab bestimmtes Prognosemodell unter Nutzung von Messungen mittels eines ermittelten Korrekturfaktors adaptiert, um verschiedenen Fehlerarten der Modellierung entgegenzuwirken, ohne ein neues Modell bilden zu müssen. Ein Vorteil der vorliegenden Erfindung im Vergleich dazu besteht darin, dass mehrere unterschiedliche Modelle parallel geführt werden können und so eine automatische Adaption der Steuerung auch bei weniger stabilen bzw. veränderlichen Prozessen ermöglicht wird.It should be noted that in the prior art various improvements of individual, specifically selected prognosis models have been proposed, such as in DE 101 27 790 A1, which proposes an adaptive model that a single, predetermined prognosis model using measurements by means of a adapted correction factor adapted to counteract various types of errors modeling without having to form a new model. An advantage of the present invention in comparison is that several different models can be performed in parallel and so an automatic adaptation of the control is made possible even with less stable or variable processes.
Die DE 197 53 034 A stellt auf eine Verbesserung von Prognosen, insbesondere für Verkehrssteuerungsprozesse, dadurch ab, dass in einer probabilistischen Selektion eine Basisprognose für einen Parameter in Abhängigkeit von einem Messwert für einen zweiten Parameter untersucht und verbessert wird, wobei der erste Parameter zeitabhängig an den zweiten gekoppelt wird. Weiters werden alte Kopplungen durch Zeitablauf eliminiert. Die vorliegende Erfindung aggregiert hingegen die unabhängigen Prognosen mehrerer unterschiedlicher Prognoseeinheiten für ein und denselben Basisparameter ohne das Erfordernis, in der Vernetzung auf allfällige vor- und nachgelagerte Prognosen Rücksicht zu nehmen. Welche Verfahren und Eingangs-Daten die einzelnen Prognoseeinheiten heranziehen, steht diesen völlig offen. Die Eliminierung von Prognosen erfolgt zudem nicht bloß durch Zeitablauf, sondern durch das Auftreten widersprüchlicher Prognosen, wodurch sich das erfindungsgemäße System stets in einem aktualisierten Vernetzungszustand befindet.DE 197 53 034 A focuses on an improvement of forecasts, in particular for traffic control processes, in that in a probabilistic selection a basic prognosis for a parameter is investigated and improved as a function of a measured value for a second parameter, the first parameter being time-dependent the second is coupled. Furthermore, old couplings are eliminated by the passage of time. By contrast, the present invention aggregates the independent forecasts of several different forecast units for one and the same basic parameter without the need to take into account any possible upstream and downstream forecasts in the network. Which methods and input data the individual forecasting units use is completely open to them. In addition, the elimination of forecasts is not merely by the passage of time, but by the occurrence of contradictory forecasts, whereby the system according to the invention is always in an updated state of networking.
Die DE 601 11 238 T2 beschreibt eine Prozesssteuerung für zeitveränderiiche, nicht-lineare Prozesse, die bei einer durch Messung festgestellten Änderung zwischen einer Menge von mehreren vorab bekannten Zuständen (unter Eliminierung von unplausiblen Messungen) eine entsprechendes Umschalten auf ein anderes linearmodellprädiktives Steuerungsmodell auslöst. Demgegenüber bietet die erfindungsgemäße, verallgemeinerte Steuerung u.a. den Vorteil, dass eine vorherige Kenntnis möglicher Modelle und ein vorab definierter Modellübergang nicht erforderlich ist; auch ist eine Zuschaltung weiterer Prognoseeinheiten mit neuen Strategien auch im laufenden Betrieb möglich.DE 601 11 238 T2 describes a process control for time-variant, non-linear processes, which triggers a corresponding switchover to another linear model predictive control model in the case of a change detected by measurement between a set of several previously known states (with elimination of implausible measurements). In contrast, the generalized control according to the invention provides i.a. the advantage that a prior knowledge of possible models and a predefined model transition is not required; It is also possible to add further forecast units with new strategies during operation.
Weiters werden in der Literatur adaptive Prognoseverfahren für Steuerzwecke beschrieben, in denen für nicht beobachtbare Messwerte kontinuierliche Prognosen produziert werden, siehe z.B. den Artikel „Time Series: a complementary technique to control charts for monitoring analy-tical Systems“ von M. Pilar Callao und A. Rius in: Chemometrics and Intelligent Laboratory Systems, Elsevier Science Publishers B.V., Vol. 66 (2003), S. 79-87 ISSN 0169-7439. 28. April 2003 (28.04.2003). Auch darin werden allerdings nur Adaptionen innerhalb eines einzelnen Prognosemodells beschrieben, indem fehlerhafte Beobachtungen durch Ermittlung von Autokorrelationen vorher eliminiert werden. Dieser Stand der Technik stellt daher lediglich auf die Verbesserung der Leistung eines bestimmten Prognosemodells ab, er bietet aber nicht die Möglichkeit, eine aggregierte Prognose aus den Ergebnissen einer Mehrzahl von Prognosemodellen unterschiedlicher Natur laufend zu adaptieren.Furthermore, adaptive predictive methods for control purposes are described in the literature in which continuous predictions are produced for unobservable readings, see e.g. the article "Time Series: A Complementary Technique to Control Charts for Monitoring Analytical Systems" by M. Pilar Callao and A. Rius in: Chemometrics and Intelligent Laboratory Systems, Elsevier Science Publishers BV, Vol. 66 (2003), p. 79-87 ISSN 0169-7439. April 28, 2003 (April 28, 2003). However, it also describes only adaptations within a single forecasting model by previously eliminating erroneous observations by determining autocorrelations. Therefore, this prior art relies only on improving the performance of a particular forecasting model, but does not offer the possibility of constantly adapting an aggregated forecast from the results of a plurality of forecasting models of different nature.
Die Erfindung bietet den Vorteil einer Vernetzung einer Mehrzahl von unabhängigen, verallgemeinerten Prognosen, unabhängig vom dahinter stehenden Modell, das diese generiert. Dies bietet weiters den Vorteil, dass eine Prozesssteuerung erstens ohne eine einschränkende Vorauswahl bezüglich eines bestimmten prognostischen Modells erfolgen kann und sich zweitens bei nachträglicher Verfügbarkeit besserer Prognosemodelle die Prozesssteuerung fundamental verbessert, anstatt nur eine vermutete Fehlerkorrekturart für ein vorbestimmtes Modell bereitszustellen. 7 AT 503 846 B1The invention offers the advantage of networking a plurality of independent, generalized predictions, independent of the underlying model that generates them. This also offers the advantage that a process control can firstly take place without a restrictive preselection with respect to a specific prognostic model and secondly, with the subsequent availability of better prognosis models, the process control fundamentally improves, instead of merely providing a presumed error correction type for a predetermined model. 7 AT 503 846 B1
Die Erfindung wird nachfolgend anhand von Ausführungsbeispielen, auf die sie jedoch nicht beschränkt sein soll, und unter Bezugnahme auf die Zeichnung noch weiter erläutert. In der Zeichnung zeigen im Einzelnen: Fig. 1 ein Blockschaltbild-artiges Schema eines Systems zur rechnergestützten Herleitung von optimierten Gesamtprognosen gemäß der Erfindung: Fig. 2 eine adjustierte Dichtefunktion für einen als Beispiel genommenen prognostizierten Pegelstand; Fig. 3 in einem Ablaufdiagramm die Vorgangsweise beim Verfahren zur Herleitung einer Gesamtprognose aus Einzelprognosen, mit einem System gemäß Fig. 1; Fig. 4 in einem Diagramm die zwei Ratioquotienten für das Beispiel des prognostizierten Pegelstands, zur Veranschaulichung der Konfliktzonenbestimmung; und Fig. 5 in einem Diagramm Ratiosumme über Pegelstand zwei Ratiosummen, zur Veranschaulichung der Trennwertbestimmung.The invention will be explained below with reference to embodiments, to which it should not be limited, and with reference to the drawings. 1 shows a block diagram of a system for the computer-aided derivation of optimized overall forecasts according to the invention; FIG. 2 shows an adjusted density function for a predicted water level taken as an example; 3 is a flowchart showing the procedure in the method for deriving an overall forecast from individual forecasts, with a system according to FIG. 1; 4 shows in a diagram the two ratio quotients for the example of the predicted water level, to illustrate the conflict zone determination; and FIG. 5 in a diagram Ratiosumme over level two Ratiosummen, to illustrate the separation value determination.
In Fig. 1 ist ein System zur automatisierten Ermittlung von optimierten Prognosen gezeigt, wobei dieses System 1 von einzelnen Prognoseeinheiten 2.1,2.2... 2.n (allgemein 2) Einzelprognosen zugeführt erhält. Das System 1 weist im gezeigten Beispiel mit einer Umrandung angegebene Rechnermittel 3 auf, die eine Speichereinheit 4 für die Prognosesignale, d.h. Einzelprognosen, sowie eine damit verbundene Prognosesignal-Verarbeitungseinheit 5 aufweisen.FIG. 1 shows a system for the automated determination of optimized forecasts, whereby this system 1 receives individual forecasts from individual forecast units 2.1, 2.2... 2.n (in general 2). The system 1 comprises in the example shown with a border specified computing means 3, which comprises a memory unit 4 for the forecast signals, i. Individual forecasts, as well as an associated prognosis signal processing unit 5 have.
Mehr im Detail übermitteln die Prognoseeinheiten 2.n (n = 1, 2...) Prognosesignale in Form jeweils eines Prognose-Datensatzes, der die Bezeichnung des prognostizierten Wertes, den Prognosehorizont, den Prognosewert und seine statistische Verteilung, sowie die Gewichtung und den Rauschfaktor darstellt. Dabei entsteht eine einheitliche Abstraktion der Daten unterschiedlicher Prognoseeinheiten 2.n, die in der Speichereinheit 4 für die nachfolgende Signalverarbeitung in der Verarbeitungseinheit 5 gespeichert werden.More in detail, the forecasting units 2.n (n = 1, 2...) Transmit forecast signals in the form of a forecast dataset containing the designation of the predicted value, the forecast horizon, the forecast value and its statistical distribution, as well as the weighting and the Noise factor represents. This results in a uniform abstraction of the data of different forecasting units 2.n, which are stored in the memory unit 4 for the subsequent signal processing in the processing unit 5.
Abgestellt wird in den Prognoseeinheiten 2.n auf einen Prognosewert mit der Zielgröße X, die im statistischen Sinn eine Zufallsvariable ist, und deren mögliche Ausprägungen x, beispielsweise lognormal verteilt sind (mit dem Mittelwert μ und der Standardabweichung σ). Die adjustierte Dichtefunktion f(x,) ist gegeben durch: -(Inx, -μ)2 !2σ2 1 + r' V2 „„2 X: KG 1 wobei r den Rauschfaktor bezeichnet, σ die Standardabweichung des Prognosewertes, x, den Ausprägungswert, und μ den Mittelwert. Diese Funktion f(Xj) kann auch vereinfacht angeschrieben werden als: wobei LN' die lognormale Dichtefunktion (als erste Ableitung der lognormalen Verteilungsfunktion) bezeichnet, die um den Rauschfaktor r adjustiert wird. Sie ist in Fig. 2 mit der Kurve 6, gemeinsam mit der Standard-Dichtefunktion, Kurve 7, dargestellt. Konkret wird dabei in Fig. 2 auf das erläuterte Beispiel der Pegelstands-Prognose abgestellt, wobei die adjustierte Dichtefunktion 6 bei X = 8,04 m lognormal verteilt, mit einer Standardabweichung σ = 1,4%, und einem Rauschfaktor r = 2,7%, veranschaulicht ist.In the forecasting units 2.n, a prognosis value with the target variable X, which in the statistical sense is a random variable, and whose possible values x, for example, are distributed lognormally (with the mean value μ and the standard deviation σ), is used. The adjusted density function f (x,) is given by: - (Inx, -μ) 2! 2σ2 1 + r 'V2 "" 2 X: KG 1 where r denotes the noise factor, σ the standard deviation of the forecast value, x, the expression value , and μ the mean. In simplified terms, this function f (Xj) can also be written as: where LN 'denotes the log normal density function (as the first derivative of the log normal distribution function) which is adjusted by the noise factor r. It is shown in FIG. 2 with the curve 6, together with the standard density function, curve 7. Specifically, in FIG. 2, the explanatory example of the level forecast is made, with the adjusted density function 6 distributed lognormally at X = 8.04 m, with a standard deviation σ = 1.4%, and a noise factor r = 2.7 %, is illustrated.
Daraus können in der Verarbeitungseinheit 5 pro Prognose wie folgt zwei Ratios Rm, Rmc als die um den Rauschfaktor r erhöhte inverse Wahrscheinlichkeit eines (Mess)Werts über und unter einem bestimmten Ausprägungswert x( ermittelt werden: 8 AT 503 846 B1 m' ' ' 1 + φ ~^~-φχίΝm (x, ) wobei Rm die Ratio und LN die Lognormalverteilung bezeichnen und die zwei Fälle der Ausprägungsrichtung sich bestimmen als: {1 Messwert über Ausprägungswertx , -1 Messwert über Ausprägungswerx jFrom this, two ratios Rm, Rmc can be determined as follows in the processing unit 5 per prognosis as the inverse probability of a (measured) value above and below a specific value x (increased by the noise factor r): 8 AT 503 846 B1 m '' '1 + φ ~ ^ ~ -φχίΝm (x,) where Rm denotes the ratio and LN the lognormal distribution and the two cases of the expression direction are determined as: {1 measured value over expressive value x, -1 measured value over pronounced value j
Die komplementäre Ratio oder Anti-Ratio für die weitere Verarbeitung bzw. für Zwecke des Vergleichs mit anderen Prognosen errechnet sich demgemäß jeweils als: m \ " / / <| _ φ + +<ßx.LNm (Xj)The complementary ratio or anti-ratio for further processing or for purposes of comparison with other forecasts is accordingly calculated as: m \ " / / < | _ φ + + < ßx.LNm (Xj)
Jedes neue Prognosesignal wird in der Prognosesignal-Verarbeitungseinheit 5 darauf geprüft, ob es zu einer aktiven Prognose (d.h. einer bereits eingelangten, gespeicherten, aber noch nicht eliminierten Prognose) in Widerspruch steht, und in diesem Fall werden die Prognosen in der Reihenfolge der größten Widersprüche mit Hilfe einer mit der Verarbeitungseinheit 5 verbundenen Eliminationseinheit 8 (s. Fig. 1) eliminiert.Each new forecast signal is checked in the predictive signal processing unit 5 to see if it contradicts an active forecast (ie, a forecast that has already been received, stored, but not yet eliminated), in which case the forecasts will be in order of greatest contradiction with the aid of an elimination unit 8 (see Fig. 1) connected to the processing unit 5.
Dieser Vorgang kann beispielsweise im Detail wie in Fig. 3 gezeigt erfolgen:This process may, for example, be done in detail as shown in FIG. 3:
Nach einem Startschritt 8.1 in Fig. 3 wird zunächst gemäß Feld 8.2 geprüft, ob für das bezeich-nete Prognoseobjekt des Prognosesignals bereits aktive Prognosen in der Speichereinheit 4 gespeichert sind. Falls nicht, ist keine Eliminierung erforderlich und kann sofort mit der Aggregation in einer ebenfalls mit der Verarbeitungseinheit verbundenen Aggregationseinheit 9 (s. Fig. 1) fortgesetzt werden.After a start step 8.1 in FIG. 3, it is first checked according to field 8.2 whether active forecasts are already stored in the memory unit 4 for the designated prognosis object of the prognosis signal. If not, no elimination is required and can be continued immediately with the aggregation in an aggregation unit 9 (see Fig. 1) also connected to the processing unit.
Falls doch schon aktive Prognosen existieren, werden zunächst gemäß Block 8.3 durch ein geeignetes Verfahren der Kurvendiskussion, wie zum Beispiel das Newtonverfahren oder das Sekantenverfahren, die Maxima der zwei Ratioquotienten h φ (x,) (d.h. je ein Ratioquotient - h+, h. - pro Ausprägung von φ [-1,+1]) zwischen dem neuen Prognosesignal und jeder einzelnen aktiven Prognose ermittelt.If active predictions already exist, then the maximums of the two ratio quotients h φ (x,) (ie, one ratio quotient - h +, h. -) are first calculated in block 8.3 by a suitable method of curve discussion, such as Newton's method or secant method. per expression of φ [-1, + 1]) between the new forecast signal and each individual active forecast.
Pro Paarung werden also zwei Ratioquotienten ermittelt, indem zunächst jede der beiden Ratlos der neuen Prognose bezogen auf die jeweils entsprechende, d.h. gegenläufige Anti-Ratio jeder aktiven Prognose auf ein Maximum geprüft wird. Die Wahrscheinlichkeitsverteilung kann je nach der Art des prognostizierten Wertes unterschiedlich sein; nachfolgend wird aber zur Vereinfachung eine bestimmte, nämlich die bei hydrologischen Phänomenen (z.B. Wasserpegel) typische, Lognormalverteilung zugrunde gelegt.Thus, two ratio quotients are determined per pairing by first assigning each of the two puzzles of the new prognosis to the respective corresponding, ie. opposite anti-ratio of each active prognosis is checked to a maximum. The probability distribution may vary depending on the type of the predicted value; however, for the sake of simplicity, a specific lognormal distribution typical of hydrological phenomena (e.g.
Beispielsweise kann die Ermittlung unter Benützung der folgenden Bedingung erfolgen, wobei für die erste Ableitung der folgenden Bedingung für den Ratioquotienten eine Nullstelle für ein Maximum gesucht werden muss (mit einem geeigneten Verfahren, wie beispielsweise dem Newtonverfahren oder dem Sekantenverfahren, wie vorstehend erwähnt): h(Xi ) =For example, the determination may be made using the following condition, wherein for the first derivative of the following condition for the ratio quotient, a root must be searched for a maximum (by a suitable method such as the Newton's method or the secant method as mentioned above): h (Xi) =
Rm(XjJ) Rcn (*, ,Φ)’ wobei φ = [-1,+1 ], somit 9 AT 503 846 B1 1-ΦRm (XjJ) Rcn (*,, Φ) 'where φ = [-1, + 1], thus 9 AT 503 846 B1 1-Φ
Y + 4>xLNn(Xi ) >1 Y + rm +<j>xLNm (x, ) wobei h den Ratioquotienten am Wert x, bezeichnet, bei φ=-1 ausgedrückt als h. und bei φ=+1 ausgedrückt als h+.Y + 4> xLNn (Xi)> 1 Y + rm + <j> xLNm (x,) where h denotes the ratio quotient at the value x, expressed as h at φ = -1. and at φ = + 1 expressed as h +.
Ist ein solches Maximum mit einem der beiden Ratioquotienten über Eins gegeben, vgl. auch das Abfrage-Feld 8.4 in Fig. 3, so liegt ein widersprüchliches Prognosesignal vor, und es muss mittels eines Prognosekonflikt-Datensatzes zunächst Prognosegewicht eliminiert werden, s. Block 8.5 in Fig. 3.If such a maximum is given over one with one of the two ratio quotients, cf. also the query field 8.4 in Fig. 3, so there is a contradictory forecast signal, and it must by means of a prognosis conflict data set first prognosis weight be eliminated, s. Block 8.5 in FIG. 3.
In Fig. 4 ist ein Beispiel für die zwei Ratioquotienten h. und h+ bei einer vorherrschenden Pegel-stands-Prognose von Xi = 8,04 m, Oi = 1/4%, n = 2,7% und einer neuen Pegelstands-Prognose von X2 = 8,11 m, o2 = 1,8%, r2 = 7,6% veranschaulicht.FIG. 4 shows an example of the two ratio quotients h. and h + at a prevailing level-level prediction of Xi = 8.04m, Oi = 1/4%, n = 2.7% and a new level-level prediction of X2 = 8.11m, o2 = 1.8 %, r2 = 7.6%.
Im Beispiel wird deutlich, dass zwischen der neuen Prognose einer Prognoseeinheit, z.B. der Prognoseeinheit 2.2, von 8,11 m (o = 1/8%) und der vorherrschenden Prognose einer Prognoseeinheit, z.B. der Prognoseeinheit 2.1, von 8,04 m (o = 1,4%) im Wertebereich von 7,94 bis 8,39 m (Punkte A, B), wo die Kurve für den Ratioquotienten für die Ausprägung φ=+1 über der Schwelle von Eins liegt, ein Prognosewiderspruch besteht, der den Rauschfaktor von jeweils 2,7 und 7,6% übersteigt, da nach der neuen Prognose z.B. ein Ausprägungswert x2 bis zu 8,04 eine Wahrscheinlichkeit von 31,5% (rauschadjustiert 36,34%), nach der vorherrschenden Prognose ein Ausprägungswert x1 über 8,04 aber eine Standardwahrscheinlichkeit von 50,0% (rauschadjustiert 48,69%) hat, woraus sich ein Ratioquotient von 1,3396 ergibt (48,69/36,34). Somit könnte z.B. 100% Gewicht der Prognose der Prognoseeinheit 2.2 gegen 60% Gewicht der Prognoseeinheit 2.1 aufgerechnet werden und daher für beide Prognoseinheiten 2.1, 2.2 a priori ein zumindest den Rauschfaktor übersteigendes höheres künftiges Prognosegewicht erwartet werden (worin der gesuchte Widerspruch liegt): 1. Prognose: [60% + 2,7% - 61,6%] < [160% x 50,0% - 80,0%] 2. Prognose: [100% + 7,6% -107,6%] < [160% x (1 - 31,5%) -160% x 68,5% -109,6%]In the example it becomes clear that between the new prognosis of a prognosis unit, e.g. the forecasting unit 2.2, of 8.11 m (o = 1/8%) and the prevailing prognosis of a prognosis unit, e.g. of the forecast unit 2.1, from 8.04 m (o = 1.4%) in the value range of 7.94 to 8.39 m (points A, B), where the curve for the ratio quotient for the expression φ = + 1 over the Threshold of one is, there is a prognosis contradiction, which exceeds the noise factor of 2.7 and 7.6% respectively, since according to the new forecast, for example an occurrence value x2 up to 8.04 has a probability of 31.5% (noise-adjusted 36.34%), according to the prevailing prognosis an expression value x1 above 8.04 but a standard probability of 50.0% (noise-adjusted 48.69%) , resulting in a ratio of 1.3396 (48.69 / 36.34). Thus, e.g. 100% weight of the prognosis of the prognosis unit 2.2 versus 60% weight of the prediction unit 2.1 are calculated and therefore a higher prediction weight exceeding the noise factor is expected for both prognosis units 2.1, 2.2 a priori (which is the desired contradiction): 1. prognosis: 60% + 2.7% - 61.6%] < [160% x 50.0% - 80.0%] 2nd prognosis: [100% + 7.6% -107.6%] < [160% x (1 - 31.5%) -160% x 68.5% -109.6%]
In diesem Beispiel ergibt sich für die zweite Prognoseeinheit 2 auf Basis der eigenen Prognosewerte ein Gewichtszuwachs von 9,6%, der somit den aufgrund des Rauschfaktors erforderlichen Zuwachs von 7,6% übersteigt.In this example, the second prediction unit 2, based on its own prognosis values, has a weight gain of 9.6%, which thus exceeds the 7.6% increase due to the noise factor.
In diesem Wertebereich kann nun prinzipiell ein beliebiger Ausprägungswert x, als Prognosetrennwert angenommen werden, und für diesen Wert können die jeweiligen Ratios Rm, Rmc berechnet werden, die das Gewichtsbeitragsverhältnis im Prognosekonflikt-Datensatz bestimmen.In this range of values, an arbitrary value x, in principle, can be assumed as a prognosis separation value, and for this value, the respective ratios Rm, Rmc can be calculated, which determine the weight contribution ratio in the prognosis conflict data record.
Hierbei hat es sich als vorteilhaft erwiesen, jenen Ausprägungswert x, als Prognosetrennwert zu bestimmen, bei dem die Summe des durch den Prognosekonflikt eliminierten Prognosegewichts maximal ist. Dieser Ausprägungswert liegt bei jenem Wert, an dem wiederum die jeweils zugehörige der zwei Ratiosummen minimal ist, wobei die Hauptbedingung bestehen bleibt, dass der Ratioquotient beim ermittelten Trennwert größer als 1 sein muss. Diese minimale Ratiosumme errechnet sich, indem für die erste Ableitung der folgenden Formel für die Ratiosumme mit einem der oben angeführten Verfahren der Kurvendiskussion ein Minimum gesucht wird: 10 AT 503 846 B1 1 + rm 1 + rn g(x·, ) = Rm {x, ) + Rn (Xi )=—---+—- ~--<pxLNm{xi) —+#xLNn(xi) wobei g die Ratiosumme am Wert x, bezeichnet, bei ¢=-1 ausgedrückt als g. und bei ¢=+1 ausgedrückt als g+.In this case, it has proved to be advantageous to determine that expression value x, as the prognosis separation value, at which the sum of the prognosis conflict eliminated prognosis weight is the maximum. This expression value is at that value, at which in each case the respectively associated one of the two ratio sums is minimal, whereby the main condition remains that the ratio quotient must be greater than 1 at the determined separation value. This minimum ratio is calculated by searching for a minimum for the first derivative of the following formula for the ratio by one of the above-mentioned methods of the curve discussion: 10 AT 503 846 B1 1 + rm 1 + rn g (x ·,) = Rm { x,) + Rn (Xi) = ---- + - ~ - <pxLNm {xi) - + # xLNn (xi) where g is the ratio sum at the value x, denoted by ¢ = -1 expressed as g , and at ¢ = + 1 expressed as g +.
Ein Beispiel für die zwei Ratiosummen g+, g. wie oben bei einem Pegelstand = 8,04 m, στ = 1,4%, n = 2,7% (vorherrschende Prognose), bzw. einem Pegelstand X2 = 8,11 m, σ2 = 1,8%, r2 = 7,6% (neue Prognose) ist in Fig. 5 veranschaulicht.An example of the two ratio sums g +, g. as above with a water level = 8.04 m, στ = 1.4%, n = 2.7% (predominant forecast), or a water level X2 = 8.11 m, σ2 = 1.8%, r2 = 7 , 6% (new forecast) is illustrated in FIG.
Sollte an diesem Minimum der Ratiosumme der entsprechende Ratioquotient kleiner Eins sein, Xi also außerhalb der Prognosekonfliktzone liegen, so wird vom Minimum der Ratiosumme weg der nächste Punkt gesucht, an dem er gleich 1 ist; im Falle von zwei solchen Punkten x,, xf wird jener gewählt, der die geringere Ratiosumme aufweist.If, at this minimum of the ratio sum, the corresponding ratio quotient is less than one, ie, Xi are outside the forecast conflict zone, then the minimum point of the ratio sum is searched for the next point at which it is equal to 1; in the case of two such points x ,, xf, one chooses that which has the lower ratio.
Nachfolgend wird in die Ratio-Queue ein Eintrag nach den dazugehörigen Ratioquotienten einsortiert und dazu der ermittelte optimale Ausprägungswert Xj als Trennwert vermerkt (s. Block 8.5 in Fig. 3).Subsequently, an entry is sorted into the ratio queue according to the corresponding ratio quotients and, for this purpose, the ascertained optimal expression value Xj is noted as the separation value (see block 8.5 in FIG.
Die Ratio-Queue wird nun nach Ratiosummen aufsteigend sortiert (vgl. Block 8.6 in Fig. 3), und nach einer Abfrage (Feld 8.7), ob die Ratio-Queue einen Eintrag enthält, sowie einer Abfrage (Feld 8.8), ob das Gewicht der neuen Prognose zu 100% eliminiert wird, im negativen Fall abgearbeitet, indem Prognosekonflikt-Datensätze generiert werden, wobei aufgrund der zugehörigen Ratios das eliminierte Gewicht Gm bestimmt wird. Dazu wird geprüft, ob die neue Prognose das höhere relative Gewicht Gn aufweist:The ratio queue is now sorted in ascending order by ratio sums (see block 8.6 in Fig. 3), and after a query (field 8.7), if the ratio queue contains an entry and a query (field 8.8), if the weight The new forecast is eliminated 100%, in the negative case processed by generating forecast conflict data records, whereby the eliminated weight Gm is determined on the basis of the associated ratios. For this purpose, it is checked whether the new prognosis has the higher relative weight Gn:
GnX- {Rn' 1 )> GmGnX {Rn '1) > gm
In diesem Fall wird gemäß Block 8.9 in Fig. 3 das Gewicht der neuen Prognose umIn this case, according to block 8.9 in FIG. 3, the weight of the new forecast is changed
Gn = Gn- Gmx {Rm 1) reduziert, und ein Prognosekonflikt-Datensatz wird mit dem Trennwert und den beiden Gewichten Gn, Gm und Ratios Rm, Rmc in einer Speichereinheit 10 (s. Fig. 1) abgespeichert, vgl. Block 8.10. Dann wird der nächste Eintrag in der Ratio-Queue abgearbeitet.Gn = Gn-Gmx {Rm 1) and a prediction conflict record is stored with the separation value and the two weights Gn, Gm and Ratios Rm, Rmc in a memory unit 10 (see Fig. 1), cf. Block 8.10. Then the next entry in the ratio queue is processed.
Im gegenteiligen Fall reduziert sich das Gewicht Gm der aktiven Prognose (Block 8.9) analog umIn the opposite case, the weight Gm of the active forecast (block 8.9) is reduced analogously
Gm = Gm~ Gn~X· {Rn~ 1)> und der entsprechende Prognosekonflikt-Datensatz wird gemäß Block 8.10 mit dem Trennwert und den beiden Gewichten Gm, Gn und Ratios Rm, Rmc in der Speichereinheit 10 (s. Fig. 1) abgespeichert.Gm = Gm ~ Gn ~ X · {Rn ~ 1) > and the corresponding forecast conflict data record is stored in the memory unit 10 (see Fig. 1) according to block 8.10 with the separation value and the two weights Gm, Gn and ratios Rm, Rmc.
Ist die neue Prognose gänzlich eliminiert (Feld 8.8 in Fig. 3, Ausgang „Ja“) oder die Ratio-Queue abgearbeitet (Feld 8.7, Ausgang „Nein“), so wird mit der Aggregation der neuen Prognoseinformation in der Aggregationseinheit 9 (s. Fig. 1) fortgesetzt.If the new forecast is completely eliminated (field 8.8 in Fig. 3, output "Yes") or the ratio queue is processed (field 8.7, output "No"), the aggregation of the new forecast information in the aggregation unit 9 (see FIG. Fig. 1) continued.
Nachdem auf die vorstehend beschriebene Weise widersprüchliche Prognosesignale eliminiert wurden, werden die verbleibenden aktiven Prognosen in der Aggregationseinheit 9 (Fig. 1) auf geeignete Art aggregiert, vgl. auch Block 8.11 in Fig. 3. Vorteilhafte Aggregationsmöglichkeiten sind unter anderem das Simple-Verfahren, das Mitteverfahren und das Kombinationsverfahren. 1 1 AT 503 846 B1 - Beim Simple-Verfahren wird die Prognose mit dem geringsten Rauschfaktor r als beschreibende Größe herangezogen, und von ihr werden x0, o0, U und r0 abgelesen. - Beim Mitteverfahren wird die Kombination jener Prognosen Pi bzw. Pj, jeweils mit Verteilung LN und Rauschfaktor r, herangezogen, bei denen die folgenden zwei Ausprägungswerte xu bzw. xd der mit dem Rauschfaktor adjustierten Mediane jeweils minimal bzw. maximal sind: = argmm LNj(xu) 1 + r, = 0,5After contradictory prediction signals have been eliminated in the manner described above, the remaining active forecasts are aggregated in the aggregation unit 9 (FIG. 1) in a suitable manner, cf. also block 8.11 in FIG. 3. Advantageous aggregation possibilities include the simple method, the middle method and the combination method. 1 1 AT 503 846 B1 - In the simple method, the forecast with the lowest noise factor r is used as the descriptive variable, and it reads x0, o0, U and r0. In the middle method, the combination of those predictions Pi and Pj, respectively with distribution LN and noise factor r, is used, in which the following two expression values xu and xd of the noise factors adjusted medians are respectively minimal and maximal: = argmm LNj ( xu) 1 + r, = 0.5
Xh = argmax LNj(xu) 1 + r,· = 0,5Xh = argmax LNj (xu) 1 + r, · = 0.5
Die aggregierte (Gesamt-) Prognose P0 mit x0, o0, G0 und r0 ergibt sich aus Prognosen P, bzw. Pj wie folgt:The aggregated (total) forecast P0 with x0, o0, G0 and r0 results from forecasts P and Pj as follows:
Der aggregierte Prognosewert ist: *0 =VXd XXu Für o0 gilt der mit Werten G, und Gj gewichtete Durchschnitt von σ* und Oj.The aggregated forecast value is: * 0 = VXd XXu For o0, the average of σ * and Oj weighted by values G and Gj holds.
Beim Gewicht G gilt die Gewichtssumme. Der aggregierte Rauschfaktor r0 errechnet sich wie folgt, wobei LN0 die lognormale Verteilungsfunktion für x0 und o0 bezeichnet: r0 = LN0(xu) - LN0(xd) - Beim Kombinationsverfahren werden alle aktiven Prognosen gewichtet kombiniert. In einer Kombinationsmöglichkeit wird die Gewichtssumme G aller n aktiven Prognosen errechnet. G = ZC«The weight G is the weight sum. The aggregate noise factor r0 is calculated as follows, where LN0 denotes the log normal distribution function for x0 and o0: r0 = LN0 (xu) - LN0 (xd) - The combination method combines all active forecasts weighted. In a combination option, the weight sum G of all n active forecasts is calculated. G = ZC «
Alternativ sind auch Adjustierungen der Gewichte möglich, um Einzelprognosen mit höherem Rauschfaktor bei der Aggregierung weniger zu berücksichtigen, indem zum Beispiel G, durch r* geteilt wird.Alternatively, adjustments of the weights are also possible to less account for single forecasts with higher noise factor in the aggregation, for example by dividing G by r *.
Nun errechnet sich in der ersten beispielhaften Kombinationsmöglichkeit das relativ gewichtete Mittel x0 wie folgt: *o =ln^nx,G'Now, in the first exemplary combination possibility, the relatively weighted mean x0 is calculated as follows: * o = ln ^ nx, G '
Die relativ gewichtete kombinierte Standardabweichung Oo bestimmt sich sodann als: σο=77Σ^.χσ(2. G f=1The relatively weighted combined standard deviation Oo is then determined as: σο = 77Σ ^ χσ (2. G f = 1
Nachdem eine aggregierte Prognoseinformation vorliegt, die gemäß Fig. 1 einer Steuereinheit 12 zwecks Ansteuerung einer Prozesseinheit 13 zugeführt wird, und die bevorzugt auch den vernetzten Prognoseeinheiten 2.i sowie gegebenenfalls anderen, nachgeordneten Prognoseeinheiten 2' übermittelt wird, kann es für eine Prognoseeinheit vorteilhaft sein, bei Bedarf 1 2 AT 503 846 B1 gebundenes Gewicht aus Prognosekonflikten für andere Prognosezwecke freisetzen zu können, vgl. auch Block 8.12 in Fig. 3, wobei momentan aktive Prognosesignal-Datensätze zur Gewichtssubstitution - in einer Substitutionseinheit 15 - eingesetzt werden.After an aggregated prognosis information is present, which is supplied according to FIG. 1 to a control unit 12 for the purpose of controlling a process unit 13, and which is preferably also transmitted to the networked forecasting units 2.i and optionally other downstream forecasting units 2 ', it can be advantageous for a forecasting unit to be able to release bound weight from forecasting conflicts for other forecasting purposes if required 1 2 AT 503 846 B1, cf. also block 8.12 in Fig. 3, wherein currently active prognosis signal data sets for weight substitution - in a substitution unit 15 - are used.
Zur Substitution übermittelt die Prognoseeinheit 2 ein Substitutionssignal an die Substitutionseinheit 15 des zentralen Prognosesystems 1, die das freizusetzende Gewicht wie folgt ermittelt:For substitution, the prediction unit 2 transmits a substitution signal to the substitution unit 15 of the central prognosis system 1, which determines the weight to be released as follows:
Zunächst wird nach der oben bereits angeführten Formel für die Ratioberechnung für jedes im Prognosesignal-Speicher 4 gespeicherte aktive Prognosesignal n seine Ratio (Rn) bezogen auf den spezifischen Prognosetrennwert (Xj) des zu substituierenden Prognosekonflikt-Datensatzes / unter Berücksichtigung der Konfliktseite φ ermittelt und pro aktiver Prognose in eine Ratio-Queue eingetragen. Danach wird jeder Eintrag der Ratio-Queue aufsteigend sortiert. Danach wird diese Ratio-Queue abgearbeitet, indem das durch die Prognosesubstitution freisetzbare Gewicht wie folgt errechnet wird: fl, ^ frei ~^i * d > ** n wobei G| das im Prognosekonflikt / gebundene Gewicht, R, dessen ursprüngliche Ratio des Konflikt-Datensatzes, und Rn die Ratio der aktiven Prognose aus der Ratio-Queue bezeichnet. Insoweit dieses Gewicht im betreffenden aus dem Speicher 4 ausgelesenen Prognosesignal verfügbar ist, wird im Gewichtespeicher 11 das freie (sonst nur das verfügbare) Gewicht der ursprünglichen Prognoseeinheit i zugerechnet und dem aktiven Prognosesignal n abgezogen.First, according to the above-mentioned formula for the ratio calculation, for each active prognosis signal n stored in the prognosis signal memory 4, its ratio (Rn) relative to the specific prognosis separation value (Xj) of the prediction conflict dataset to be substituted / is determined taking into account the conflict side φ and per active forecast entered into a ratio queue. Then each entry of the ratio queue is sorted in ascending order. Thereafter, this ratio queue is processed by calculating the weight releasable by the prognosis substitution as follows: fl, ^ free ~ ^ i * d > ** n where G | the predicted conflict / bound weight, R, whose original ratio of the conflict record, and Rn is the ratio of the active forecast from the ratio queue. Insofar as this weight is available in the relevant prognosis signal read from the memory 4, in the weight memory 11 the free (otherwise only available) weight of the original prediction unit i is added and subtracted from the active prognosis signal n.
Ein neuer Prognosekonflikt-Datensatz wird gespeichert, indem bildlich die ursprüngliche Prognoseeinheit i die komplementäre Konfliktseite -φ einnimmt und die aktive Prognoseeinheit die ursprüngliche Konfliktseite mit dem derart bestimmten, nun freigesetzten Gewicht einnimmt. Im Fall der nur teilweisen Verfügbarkeit des erforderlichen Gewichts (Gn < Gfrei) wird das Konfliktgewicht Gi im ursprünglichen Prognosekonflikt-Datensatz proportional (mit Gn / G|rei) reduziert. Anschließend wird der nächste Ratio-Queue-Eintrag für das verbleibende Gewicht Gi abgearbeitet.A new forecast conflict record is stored by figuratively assuming the original prediction unit i the complementary conflict side -φ and the active prediction unit occupies the original conflict side with the weight thus determined, now released. In the case of only partial availability of the required weight (Gn <Gfree), the conflict weight Gi in the original forecast conflict dataset is reduced proportionally (with Gn / G | rei). Subsequently, the next ratio queue entry for the remaining weight Gi is processed.
Was die Evaluierung betrifft, so werden zum Prognosezeitpunkt alle nicht bereits substituierten Prognosekonflikt-Datensätze evaluiert, vgl. die Evaluationseinheit 14 in Fig. 1, indem ein tatsächlicher Messwert mit Hilfe einer Messeinheit 16 ermittelt oder ein zeitlich nachgelagerter Prognosewert für die selbe Prognosegröße herangezogen wird, der für die Zeitdimension allenfalls korrigiert werden muss. Dies ist insbesondere von Vorteil, wenn aufgrund einer Entscheidung bzw. eines den Messwert beeinflussenden Steuerimpulses vor Erreichen des Prognosezeitpunkts der Messwert nicht mehr ermittelt werden kann oder ein Zerstörungstest vermieden werden soll, wobei in diesen letzten Fällen auch der letztgültige aggregierte Prognosewert (vor dem beeinflussenden Steuerimpuls) herangezogen werden kann.As far as the evaluation is concerned, all forecast conflict data sets that have not already been substituted are evaluated at the time of the forecast, cf. the evaluation unit 14 in FIG. 1 in that an actual measured value is determined with the aid of a measuring unit 16 or a time-dependent forecast value for the same prognosis variable is used, which at best must be corrected for the time dimension. This is particularly advantageous if, due to a decision or a control pulse influencing the measured value, the measured value can no longer be determined before the prediction time is reached or a destruction test is to be avoided, in which case the last valid aggregated prognosis value (before the influencing control pulse ) can be used.
Das im Prognosekonflikt gebundene Gesamtgewicht wird im Evaluierungsprozess von der Evaluations- bzw. Gewichtungseinheit 14 sodann vollständig jener Prognoseeinheit zugerechnet, s. Speichereinheit 11 in Fig. 1, der bei der Eliminierung die seitenrichtige Konfliktseite bezüglich des Messwertes zugeschrieben wurde. Sollte der Prognosewert gleich dem Messwert sein, so wird das Gewicht zu gleichen Teilen beiden Prognoseeinheiten zugerechnet.The total weight bound in the forecast conflict is then assigned in the evaluation process by the evaluation or weighting unit 14 completely to that forecast unit, s. Memory unit 11 in Fig. 1, which was attributed in the elimination of the page right conflict page with respect to the measured value. If the forecast value equals the measured value, the weight is equally divided between the two forecast units.
Weiters kann es vorteilhaft sein, nach Erreichen eines Prognosezeitpunktes oder überhaupt in regelmäßigen Intervallen jeder einzelnen Prognoseeinheit 2 zusätzlich ein bestimmtes Gewicht unabhängig vom Prognoseergebnis zuzurechnen, um den Verbleib aller Prognoseeinheiten, wenn auch mit minimalem Gewichtungspotential im Gesamtsystem, zu sichern. Eine mögliche Variante hierfür ist eine prozentuelle Aufstockung der n Prognoseeinheiten wie folgt:Furthermore, it can be advantageous, after reaching a prognosis time or even at regular intervals, to additionally attribute a specific weight to each individual prognosis unit 2, independently of the prognosis result, in order to ensure the fate of all prognosis units, albeit with minimal weighting potential in the overall system. A possible variant for this is a percentage increase of the n forecast units as follows:
Claims (18)
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| AT11172006A AT503846B1 (en) | 2006-07-03 | 2006-07-03 | Optimized forecast determining method for controlling or regulation of operative system and/or process, involves eliminating contradictory individual forecasts and aggregating remaining individual forecasts into optimized overall forecast |
| PCT/AT2007/000317 WO2008003105A1 (en) | 2006-07-03 | 2007-06-27 | Method and system for the automated determination of optimized forecasts |
| DE112007001505T DE112007001505A5 (en) | 2006-07-03 | 2007-06-27 | Method and system for automated determination of optimized forecasts |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| AT11172006A AT503846B1 (en) | 2006-07-03 | 2006-07-03 | Optimized forecast determining method for controlling or regulation of operative system and/or process, involves eliminating contradictory individual forecasts and aggregating remaining individual forecasts into optimized overall forecast |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| AT503846A1 AT503846A1 (en) | 2008-01-15 |
| AT503846B1 true AT503846B1 (en) | 2008-07-15 |
Family
ID=38871130
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| AT11172006A AT503846B1 (en) | 2006-07-03 | 2006-07-03 | Optimized forecast determining method for controlling or regulation of operative system and/or process, involves eliminating contradictory individual forecasts and aggregating remaining individual forecasts into optimized overall forecast |
Country Status (1)
| Country | Link |
|---|---|
| AT (1) | AT503846B1 (en) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19753034A1 (en) * | 1997-11-18 | 1999-06-17 | Ddg Ges Fuer Verkehrsdaten Mbh | Method for forecasting a parameter representing the state of a system, in particular a traffic parameter representing the state of a traffic network, and device for carrying out the method |
| DE10127790A1 (en) * | 2000-06-08 | 2002-01-24 | Fisher Rosemount Systems Inc | Adaptive prediction model in a process control system |
| DE60111238T2 (en) * | 2000-04-06 | 2006-04-27 | Abb Automation Inc., Norwalk | SYSTEM AND METHOD FOR THE ADAPTIVE MODEL-BASED PREDICTIVE CONTROL BASED ON A FIERY NON-LINEAR PROCESS MODEL |
-
2006
- 2006-07-03 AT AT11172006A patent/AT503846B1/en not_active IP Right Cessation
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19753034A1 (en) * | 1997-11-18 | 1999-06-17 | Ddg Ges Fuer Verkehrsdaten Mbh | Method for forecasting a parameter representing the state of a system, in particular a traffic parameter representing the state of a traffic network, and device for carrying out the method |
| DE60111238T2 (en) * | 2000-04-06 | 2006-04-27 | Abb Automation Inc., Norwalk | SYSTEM AND METHOD FOR THE ADAPTIVE MODEL-BASED PREDICTIVE CONTROL BASED ON A FIERY NON-LINEAR PROCESS MODEL |
| DE10127790A1 (en) * | 2000-06-08 | 2002-01-24 | Fisher Rosemount Systems Inc | Adaptive prediction model in a process control system |
Non-Patent Citations (1)
| Title |
|---|
| CALLAO, M.P., A. RUIS: CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS, ELSEVIERSCIENCE PUBLISHERS B.V., VOL. 66 (2003), S. 79-87 ISSN 0169-7439. 28. APRIL 2003 (28.04.2003) * |
Also Published As
| Publication number | Publication date |
|---|---|
| AT503846A1 (en) | 2008-01-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2106576B1 (en) | Method for the computer-assisted control and/or regulation of a technical system | |
| AT512251B1 (en) | Method of designing a nonlinear controller for non-linear processes | |
| WO2013170843A1 (en) | Method for training an artificial neural network | |
| DE112012003487T5 (en) | System and method for optimizing the operation of a water network | |
| WO2019091551A1 (en) | Method and device for machine learning in a computing unit | |
| DE102018212140A1 (en) | Plant control apparatus and control method therefor, rolling mill control apparatus and control method and program therefor | |
| EP2854045B1 (en) | Method and system for the evaluation of recorded measured values of a system | |
| DE102018116911A1 (en) | Method for generating source code | |
| WO2022029137A1 (en) | Monitoring device and method for detecting anomalies | |
| EP3579175A1 (en) | Method for sensitivity analysis of an optimised energy system | |
| AT503846B1 (en) | Optimized forecast determining method for controlling or regulation of operative system and/or process, involves eliminating contradictory individual forecasts and aggregating remaining individual forecasts into optimized overall forecast | |
| DE102016124205A1 (en) | Computer-implemented process for optimizing a manufacturing process | |
| WO2008003105A1 (en) | Method and system for the automated determination of optimized forecasts | |
| AT9539U1 (en) | METHOD AND SYSTEM FOR AUTOMATED DETERMINATION OF OPTIMIZED FORECASTS | |
| EP3356834A1 (en) | Method for determining parameters of an electrochemical energy store in a computer-aided manner | |
| DE102013206274A1 (en) | Method and apparatus for adapting a non-parametric function model | |
| DE102016209721A1 (en) | Model-based determination of a system state by means of a dynamic system | |
| DE102011087803B4 (en) | Method and apparatus for merging classified traffic situation information | |
| DE102018128315A1 (en) | Method, device, computer program and computer program product for checking a first adaptive system model | |
| AT525571B1 (en) | Process for controlling a thermal energy supply network | |
| DE102016122193A1 (en) | Function monitoring of a sensor device of a motor vehicle | |
| EP3561743A1 (en) | Energy system and method for determining a design of an energy system | |
| WO2021063568A1 (en) | Method for identifying parameters of a black box model for one or more energy installations in an energy system | |
| DE102004059684B3 (en) | Computer process and assembly to predict a future condition of a dynamic system e.g. telecommunications neural-network within defined limits | |
| DE102016223612A1 (en) | Method for analyzing and / or diagnosing at least one heat generator of a heating system, control unit and heating system for this purpose |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| EIH | Change in the person of patent owner | ||
| MM01 | Lapse because of not paying annual fees |
Effective date: 20120703 |