Spatio-temporal Time Series Forecasting: Taxis für New York City

Fabian Hertwig auf der ML Conference 2019

Spatio-temporal Time Series Forecasting: Wie viele Taxis braucht New York City?

Mit Machine Learning lässt sich voraussagen, wie viele Taxis New York City braucht. Welche Methoden dabei zum Einsatz kommen und wie das geht, erklärt Fabian Hertwig in dieser Session von der ML Conference 2019.

Voraussagen zu Zeitreihen zu treffen war immer ein wichtiges Ziel des Machine Learning und der Statistik, da das dabei hilft, Entscheidungen zu treffen, die auf etwas zukünftiges bezogen sind. Ein besonderer Bereich dabei stellt die spatio-temporale Vorhersage dar, die der zeitlichen Dimension eine regionale hinzufügt.

In dieser Session von der ML Conference stellt Fabian Hertwig ein Projekt vor, das den Taxi-Bedarf in Manhattan voraussagt. Dabei werden die Grundprinzipien des Time Series Forecasting vorgestellt und verschiedene Modelle für den spatio-temporalen Einsatz verglichen. Dazu gehören unter anderem Long Short-Term Memory Networks und temporal Convolutional Networks. Damit lässt sich die Fehlerrate der Vorhersagen um 40 Prozent im Vergleich zu einfachen Modellen senken, wie der Speaker zeigt.

Applying Machine Learning online at Scale

by Jon Bratseth (Verizon)

Interpretable Machine Learning – Application to Finance and Banks

by Debjyoti Paul (Amazon)

Deep Learning mit TensorFlow 2

mit Jakob Karalus (Deloitte)

Alles selber lesen war gestern – wie man mit Machine Learning große Textmengen in Erkenntnisse verwandelt

mit Stephanie Fischer und Dr. Christian Winkler (datanizing)

Der Speaker: Fabian Hertwig

I am a Data Scientist at MaibornWolff in Munich. I fell in love with problem solving in data four years ago when I was a working student and helped an automotive company to improve its processes by analyzing data. Since then, I specialized in Data Science and Deep Learning and worked on various projects for the last three years.