Studien-/Abschlussarbeit - Large-Scale Analyse zur Prognostizierbarkeit von Zero-Shot-Modellen

Ausschreibung für die Fachrichtung wie z. B.: Automatisierungstechnik, Elektrotechnik, Informatik, Kybernetik, Luft- und Raumfahrttechnik, Maschinenbau, Mathematik, Mechatronik, Mediendesign, Physik, Regelungstechnik, Softwaredesign, Softwareengineering, technische Informatik oder vergleichbare.

⬜ Warum Lastprognosen?
In Zeiten zunehmender Energiepreis- und Einspeiseschwankungen werden Energie-Lastprognosen („load forecasts“) benötigt, um gezielt Laständerungen planen zu können, um von monetären Anreizen zu profitieren. Konkret kann eine Lastprognose beispielsweise für den Folgetag („day ahead“) genutzt werden, um Verbraucherinnen und Verbraucher hoch- und herunterzufahren, um zusätzliche Energiekosten in Zeiten hoher Strompreise zu vermeiden.

⬜ Aktueller Stand der Forschung: Zero-Shot-Modelle
Mit dem Aufkommen leistungsstarker, vortrainierter Modellarchitekturen reichen bereits wenige Datenpunkte aus, um die Struktur der Zeitreihe zu verstehen. Die sogenannten Zero-Shot-Modelle sind auf sehr große Datenmengen vortrainierte Modelle, die auf Eingabe eines Zeitreihenausschnitts Prognosen berechnen können. Dies steht im Gegensatz zu bisherigen supervised-Ansätzen, bei denen Modelle spezifisch auf eine Zeitreihe feintrainiert werden.

⬜ Bisherige Arbeiten und Forschungslücke
In einer vorhergehenden Arbeit wurde die Prognostizierbarkeit von Lastdaten von Industrieunternehmen anhand von 20 Datensätzen (supervised) untersucht. Eine tiefgreifende, durchgeführte Untersuchung (unsupervised) mittels Zero-Shot-Modelle wurde bisher nicht durchgeführt.

🟩 Ziel der Arbeit
Im Rahmen dieser Abschlussarbeit soll anhand des kürzlich veröffentlichten VEA-5359-Datensatzes die Prognostizierbarkeit von Zero-Shot-Modellen auf einer Meta-Ebene untersucht werden. Dieser Datensatz umfasst über 5.000 Lastprofile deutscher Industrieunternehmen und deckt alle wichtigsten Branchen ab.

🟩 Forschungsfragen (auszugsweise)
- Wie verteilen sich die Prognostizierbarkeiten der einzelnen Modellklassen (Baselines, Zero-Shot-Modelle)?
- Wie ist die Leistungssteigerung der Zero-Shot-Modelle gegenüber den Baselines? [Durchschnittliche Verbesserung (relatives prozentuales Delta), Deskriptive Auswertung zur #Verbesserungen, #Verschlechterungen]
- Allgemeine Aussagen zur Prognostizierbarkeit [Wie verteilen sich die unteren Prognostizierbarkeitsschranken, Wie stark streuen die Modelle zwischen den Datensätzen?]
- Welche Last-Eigenschaften sind gute Schätzer für die unteren Prognostizierbarkeitsschranken?

Hier sorgen Sie für Veränderung

• Literaturrecherche (typische Baselines, Zero-Shot-Modelle; typische Literaturwerte)
• Einbinden des VEA-5359-Datensatzes
• Ausführliche Datenexploration und Datenvorverarbeitung
• Implementieren der Baselines
• Implementieren der Zero-Shot Vorhersagen
• Anwenden der Baselines und Zero-Shot Modelle auf allen 5300 Zeitreihen
• Auswerten der Experimente und Dokumentation
• Edge-Forschung aktuellster Modelle weiter voranbringen
• Perspektivische Nachveröffentlichung als wissenschaftliches Paper bei guter Leistung als Option

Hiermit bringen Sie sich ein

• Gültige Immatrikulation an einer deutschen Hochschule/Universität
• Intrinsische Motivation an dem Arbeiten in dem Themenfeld, Freude am Forschen
• Gute Programmierkenntnisse (Python)
• Eigenständige, sorgfältige und strukturierte Arbeitsweise
• Sehr gute Deutsch- und Englischkenntnisse
• Hohes Maß an Zuverlässigkeit
• Erfahrungen mit Datenanalyse
• Erste Erfahrungen zu Machine Learning / Time Series Forecasting ist wünschenswert, aber nicht notwendig

Was wir für Sie bereithalten

• Mitarbeit im spannenden und innovativen Themenfeld der „Energiedatenanalyse“, das insbesondere in der jüngeren Vergangenheit stark an Bedeutung gewonnen hat
• Eine angenehme Arbeitsatmosphäre in einem motivierten Team
• Flexible Einteilung der Arbeitszeit (für Klausurvorbereitung etc.)
• Homeoffice-Arbeit nach Absprache möglich
• Falls gewünscht: Enge Betreuung in wöchentlichen Abstimmungsterminen
• Mitwirken an Veröffentlichungen
• Übertragung von theoretischem Wissen aus dem Studium in die Praxis und die Möglichkeit Herausforderungen bei der Arbeit mit realen Daten kennenzulernen

🔴🔴 Die nächsten Schritte
Melden Sie sich gerne, falls organisatorische oder inhaltliche Fragen offen sind. In einem informellen ersten Kickoff-Termin können wir klären, ob das Thema Ihren Erwartungen und Interessen entspricht.

Wir wertschätzen und fördern die Vielfalt der Kompetenzen unserer Mitarbeitenden und begrüßen daher alle Bewerbungen – unabhängig von Alter, Geschlecht, Nationalität, ethnischer und sozialer Herkunft, Religion, Weltanschauung, Behinderung sowie sexueller Orientierung und Identität. Schwerbehinderte Menschen werden bei gleicher Eignung bevorzugt eingestellt. Unsere Aufgaben sind vielfältig und anpassbar – für Bewerber*innen mit Behinderung finden wir gemeinsam Lösungen, die ihre Fähigkeiten optimal fördern. Das Gleiche gilt, wenn sie aufgrund einer Behinderung nicht alle Profilanforderungen erfüllen.

Mit ihrer Fokussierung auf zukunftsrelevante Schlüsseltechnologien sowie auf die Verwertung der Ergebnisse in Wirtschaft und Industrie spielt die Fraunhofer-Gesellschaft eine zentrale Rolle im Innovationsprozess. Als Wegweiser und Impulsgeber für innovative Entwicklungen und wissenschaftliche Exzellenz wirkt sie mit an der Gestaltung unserer Gesellschaft und unserer Zukunft.

Bereit für Veränderung? Dann bewerben Sie sich jetzt, und machen Sie einen Unterschied! Nach Eingang Ihrer Online-Bewerbung erhalten Sie eine automatische Empfangsbestätigung. Dann melden wir uns schnellstmöglich und sagen Ihnen, wie es weitergeht.

Frau Jennifer Leppich

Recruiting

+49 711 970-1415

[email protected]

Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA

Kennziffer: 82637Bewerbungsfrist: