Logo des Repositoriums

Auflistung nach Schlagwort "Historical Consistent Neural Network (HCNN)"

1 - 1 von 1
  • Zeitschriftenartikel
    Decision Analytics mit Heatmap-Visualisierung von mehrschrittigen Ensembledaten
    (Wirtschaftsinformatik: Vol. 56, No. 3, 2014) Köpp, Cornelius; Mettenheim, Hans-Jörg; Breitner, Michael H.
    Heutige in verschiedenen Informationssystemen integrierte Prognosetechniken nutzen oft Ensembles zur Darstellung verschiedener zukünftiger Szenarien. Die Aggregation dieser Prognosen stellt eine anspruchsvolle Aufgabe da: Bei der Nutzung von Mittelwert und Median (gängige Praxis) gehen wichtige Informationen verloren, vor allem wenn die zugrunde liegende Verteilung zu jedem Schritt multimodal ist. Um dies zu vermeiden präsentieren wir einen Heatmap-Visualisierungsansatz. Visuell ist eine einfache Unterscheidung zwischen Bereichen mit hoher Aktivität (hohe Wahrscheinlichkeit der Realisierung) und solchen mit niedriger Aktivität möglich. Diese Form der Darstellung ermöglicht eine Identifikation von sich aufspaltenden Pfaden im Prognoseensemble und schafft dadurch eine „dritte Alternative“ im Entscheidungsraum. Die meisten Prognosesysteme bieten nur Ergebnisse „auf“ oder „ab“ an. Die vorgestellte Heatmap-Visualisierung führt zusätzlich ein Ergebnis „weiß nicht“ ein. Durch Blick auf die Heatmap können somit Bereiche identifiziert werden, in denen sich das zugrunde liegende Prognosemodell nicht sicher ist über den zukünftigen Ausgang. Wir präsentieren einen Softwareprototyp zur Unterstützung von Entscheidern durch eine interaktive Visualisierung und diskutieren den Informationsgewinn durch die Nutzung. Der Prototyp wurde bereits anderen Forschern und Praktikern präsentiert und mit diesen diskutiert.AbstractToday’s forecasting techniques, which are integrated into several information systems, often use ensembles that represent different scenarios. Aggregating these forecasts is a challenging task: when using the mean or median (common practice), important information is lost, especially if the underlying distribution at every step is multimodal. To avoid this, the authors present a heatmap visualization approach. It is easy to visually distinguish regions of high activity (high probability of realization) from regions of low activity. This form of visualization allows to identify splitting paths in the forecast ensemble and adds a “third alternative” to the decision space. Most forecast systems only offer “up” or “down”: the presented heatmap visualization additionally introduces “don’t know”. Looking at the heatmap, regions can be identified in which the underlying forecast model cannot predict the outcome. The authors present a software prototype with interactive visualization to support decision makers and discuss the information gained by its use. The prototype has already been presented to and discussed with researchers and practitioners.