Search

Im Bereich der Zeitreihenanalyse richtet sich das Interesse zunehmend darauf, wie Einblicke in die Interaktions- und Regulationsprozesse von pathophysiologischen- und physiologischen Zuständen erlangt werden können. Neuste Fortschritte in der nichtlinearen Dynamik, der Informationstheorie und der Netzwerktheorie liefern dabei fundiertes Wissen über Kopplungswege innerhalb (patho)physiologischer (Sub)Systeme. Kopplungsanalysen zielen darauf ab, ein besseres Verständnis dafür zu erlangen, wie die verschiedenen integrierten regulatorischen (Sub)Systeme mit ihren komplexen Strukturen und Regulationsmechanismen das globale Verhalten und die unterschiedlichen physiologischen Funktionen auf der Ebene des Organismus beschreiben. Insbesondere die Erfassung und Quantifizierung der Kopplungsstärke und -richtung sind wesentliche Aspekte für ein detaillierteres Verständnis physiologischer Regulationsprozesse. Ziel dieser Arbeit war die Charakterisierung kurzfristiger unmittelbarer zentral-autonomer Kopplungspfade (top-to-bottom und bottom to top) durch die Kopplungsanalysen der Herzfrequenz, des systolischen Blutdrucks, der Atmung und zentraler Aktivität (EEG) bei schizophrenen Patienten und Gesunden. Dafür wurden in dieser Arbeit neue multivariate kausale und nicht-kausale, lineare und nicht-lineare Kopplungsanalyseverfahren (HRJSD, mHRJSD, NSTPDC) entwickelt, die in der Lage sind, die Kopplungsstärke und -richtung, sowie deterministische regulatorische Kopplungsmuster innerhalb des zentralen-autonomen Netzwerks zu quantifizieren und zu klassifizieren. Diese Kopplungsanalyseverfahren haben ihre eigenen Besonderheiten, die sie einzigartig machen, auch im Vergleich zu etablierten Kopplungsverfahren. Sie erweitern das Spektrum neuartiger Kopplungsansätze für die Biosignalanalyse und tragen auf ihre Weise zur Gewinnung detaillierter Informationen und damit zu einer verbesserten Diagnostik/Therapie bei. Die Hauptergebnisse dieser Arbeit zeigen signifikant schwächere nichtlineare zentral-kardiovaskuläre und zentral-kardiorespiratorische Kopplungswege und einen signifikant stärkeren linearen zentralen Informationsfluss in Richtung des Herzkreislaufsystems auf, sowie einen signifikant stärkeren linearen respiratorischen Informationsfluss in Richtung des zentralen Nervensystems in der Schizophrenie im Vergleich zu Gesunden. Die detaillierten Erkenntnisse darüber, wie die verschiedenen zentral-autonomen Netzwerke mit paranoider Schizophrenie assoziiert sind, können zu einem besseren Verständnis darüber führen, wie zentrale Aktivierung und autonome Reaktionen und/oder Aktivierung in physiologischen Netzwerken unter pathophysiologischen Bedingungen zusammenhängen., In the field of time series analysis, increasing interest focuses on insights gained how the coupling pathways of regulatory mechanisms work in healthy and ill states. Recent advances in non-linear dynamics, information theory and network theory lead to a new sophisticated body of knowledge about coupling pathways within (patho)physiological (sub)systems. Coupling analyses aim to provide a better understanding of how the different integrated physiological (sub)systems, with their complex structures and regulatory mechanisms, describe the global behaviour and distinct physiological functions at the organism level. In particular, the detection and quantification of the coupling strength and direction are important aspects for a more detailed understanding of physiological regulatory processes. This thesis aimed to characterize short-term instantaneous central-autonomic-network coupling pathways (top-to-bottom and bottom to top) by analysing the coupling of heart rate, systolic blood pressure, respiration and central activity (EEG) in schizophrenic patients and healthy participants. Therefore, new multivariate causal and non-causal linear and non-linear coupling approaches (HRJSD, mHRJSD, NSTPDC) that are able to determine the coupling strength and direction were developed. Whereby, the HRJSD and mHRJSD approaches allow the quantification and classification of deterministic regulatory coupling patterns within and between the cardiovascular- the cardiorespiratory system and the central-autonomic-network were developed. These coupling approaches have their own unique features, even as compared to well-established coupling approaches. They expand the spectrum of novel coupling approaches for biosignal analysis and thus contribute in their own way to detailed information obtained, and thereby contribute to improved diagnostics/therapy. The main findings of this thesis revealed significantly weaker non-linear central-cardiovascular and central-cardiorespiratory coupling pathways, and significantly stronger linear central information flow in the direction of the cardiac- and vascular system, and a significantly stronger linear respiratory information transfer towards the central nervous system in schizophrenia in comparison to healthy participants. This thesis provides an enhanced understanding of the interrelationship of central and autonomic regulatory mechanisms in schizophrenia. The detailed findings on how variously-pronounced, central-autonomic-network pathways are associated with paranoid schizophrenia may enable a better understanding on how central activation and autonomic responses and/or activation are connected in physiology networks under pathophysiological conditions.

Operating in an environment characterised by uncertainty poses challenges for companies. machine learning (ML) methods, with the inclusion of external factors, offer the possibility of producing long-term demand forecasts more precisely than conventional statistical forecasting methods. In this paper, the potential of ML with the inclusion of leading indicators (e. g. economic data) for the demand forecasts of one product of a chemical company is shown. In einem von Unsicherheit geprägten Marktumfeld zu agieren stellt Unternehmen vor Herausforderungen. Verfahren des maschinellen Lernens (ML) bieten unter Einbeziehung von externen Frühindikatoren eine Möglichkeit, langfristige Absatzprognosen präziser als herkömmliche statistische Prognoseverfahren zu erstellen. Dieser Beitrag zeigt das Potenzial von ML unter Einbeziehung von externen Faktoren (z. B. Konjunkturdaten) für die Absatzprognosen eines Produkts von einem Chemieunternehmen auf.

Das Klimasystem der Erde besteht aus zahlreichen interagierenden Teilsystemen, die sich über verschiedene Zeitskalen hinweg verändern, was zu einer äußerst komplizierten räumlich-zeitlichen Klimavariabilität führt. Das Verständnis von Prozessen, die auf verschiedenen räumlichen und zeitlichen Skalen ablaufen, ist ein entscheidender Aspekt bei der numerischen Wettervorhersage. Die Variabilität des Klimas, ein sich selbst konstituierendes System, scheint in Mustern auf großen Skalen organisiert zu sein. Die Verwendung von Klimanetzwerken hat sich als erfolgreicher Ansatz für die Erkennung der räumlichen Ausbreitung dieser großräumigen Muster in der Variabilität des Klimasystems erwiesen. In dieser Arbeit wird mit Hilfe von Klimanetzwerken gezeigt, dass die Klimavariabilität nicht nur auf größeren Skalen (Asiatischer Sommermonsun, El Niño/Southern Oscillation), sondern auch auf kleineren Skalen, z.B. auf Wetterzeitskalen, in Mustern organisiert ist. Dies findet Anwendung bei der Erkennung einzelner tropischer Wirbelstürme, bei der Charakterisierung binärer Wirbelsturm-Interaktionen, die zu einer vollständigen Verschmelzung führen, und bei der Untersuchung der intrasaisonalen und interannuellen Variabilität des Asiatischen Sommermonsuns. Schließlich wird die Anwendbarkeit von Klimanetzwerken zur Analyse von Vorhersagefehlern demonstriert, was für die Verbesserung von Vorhersagen von immenser Bedeutung ist. Da korrelierte Fehler durch vorhersagbare Beziehungen zwischen Fehlern verschiedener Regionen aufgrund von zugrunde liegenden systematischen oder zufälligen Prozessen auftreten können, wird gezeigt, dass Fehler-Netzwerke helfen können, die räumlich kohärenten Strukturen von Vorhersagefehlern zu untersuchen. Die Analyse der Fehler-Netzwerk-Topologie von Klimavariablen liefert ein erstes Verständnis der vorherrschenden Fehlerquelle und veranschaulicht das Potenzial von Klimanetzwerken als vielversprechendes Diagnoseinstrument zur Untersuchung von Fehlerkorrelationen., The Earth’s climate system consists of numerous interacting subsystems varying over a multitude of time scales giving rise to highly complicated spatio-temporal climate variability. Understanding processes occurring at different scales, both spatial and temporal, has been a very crucial problem in numerical weather prediction. The variability of climate, a self-constituting system, appears to be organized in patterns on large scales. The climate networks approach has been very successful in detecting the spatial propagation of these large scale patterns of variability in the climate system. In this thesis, it is demonstrated using climate network approach that climate variability is organized in patterns not only at larger scales (Asian Summer Monsoon, El Niño-Southern Oscillation) but also at shorter scales, e.g., weather time scales. This finds application in detecting individual tropical cyclones, characterizing binary cyclone interaction leading to a complete merger, and studying the intraseasonal and interannual variability of the Asian Summer Monsoon. Finally, the applicability of the climate network framework to understand forecast error properties is demonstrated, which is crucial for improvement of forecasts. As correlated errors can arise due to the presence of a predictable relationship between errors of different regions because of some underlying systematic or random process, it is shown that error networks can help to analyze the spatially coherent structures of forecast errors. The analysis of the error network topology of a climate variable provides a preliminary understanding of the dominant source of error, which shows the potential of climate networks as a very promising diagnostic tool to study error correlations.

Die Modellierung komplexer Systeme mit einer großen Anzahl von Freiheitsgraden ist in den letzten Jahrzehnten zu einer großen Herausforderung geworden. In der Regel werden nur einige wenige Variablen komplexer Systeme in Form von gemessenen Zeitreihen beobachtet, während die meisten von ihnen - die möglicherweise mit den beobachteten Variablen interagieren - verborgen bleiben. In dieser Arbeit befassen wir uns mit dem Problem der Rekonstruktion und Vorhersage der zugrunde liegenden Dynamik komplexer Systeme mit Hilfe verschiedener datengestützter Ansätze. Im ersten Teil befassen wir uns mit dem umgekehrten Problem der Ableitung einer unbekannten Netzwerkstruktur komplexer Systeme, die Ausbreitungsphänomene widerspiegelt, aus beobachteten Ereignisreihen. Wir untersuchen die paarweise statistische Ähnlichkeit zwischen den Sequenzen von Ereigniszeitpunkten an allen Knotenpunkten durch Ereignissynchronisation (ES) und Ereignis-Koinzidenz-Analyse (ECA), wobei wir uns auf die Idee stützen, dass funktionale Konnektivität als Stellvertreter für strukturelle Konnektivität dienen kann. Im zweiten Teil konzentrieren wir uns auf die Rekonstruktion der zugrunde liegenden Dynamik komplexer Systeme anhand ihrer dominanten makroskopischen Variablen unter Verwendung verschiedener stochastischer Differentialgleichungen (SDEs). In dieser Arbeit untersuchen wir die Leistung von drei verschiedenen SDEs - der Langevin-Gleichung (LE), der verallgemeinerten Langevin-Gleichung (GLE) und dem Ansatz der empirischen Modellreduktion (EMR). Unsere Ergebnisse zeigen, dass die LE bessere Ergebnisse für Systeme mit schwachem Gedächtnis zeigt, während sie die zugrunde liegende Dynamik von Systemen mit Gedächtniseffekten und farbigem Rauschen nicht rekonstruieren kann. In diesen Situationen sind GLE und EMR besser geeignet, da die Wechselwirkungen zwischen beobachteten und unbeobachteten Variablen in Form von Speichereffekten berücksichtigt werden. Im letzten Teil dieser Arbeit entwickeln wir ein Modell, das auf dem Echo State Network (ESN) basiert und mit der PNF-Methode (Past Noise Forecasting) kombiniert wird, um komplexe Systeme in der realen Welt vorherzusagen. Unsere Ergebnisse zeigen, dass das vorgeschlagene Modell die entscheidenden Merkmale der zugrunde liegenden Dynamik der Klimavariabilität erfasst., Modeling complex systems with large numbers of degrees of freedom have become a grand challenge over the past decades. Typically, only a few variables of complex systems are observed in terms of measured time series, while the majority of them – which potentially interact with the observed ones - remain hidden. Throughout this thesis, we tackle the problem of reconstructing and predicting the underlying dynamics of complex systems using different data-driven approaches. In the first part, we address the inverse problem of inferring an unknown network structure of complex systems, reflecting spreading phenomena, from observed event series. We study the pairwise statistical similarity between the sequences of event timings at all nodes through event synchronization (ES) and event coincidence analysis (ECA), relying on the idea that functional connectivity can serve as a proxy for structural connectivity. In the second part, we focus on reconstructing the underlying dynamics of complex systems from their dominant macroscopic variables using different Stochastic Differential Equations (SDEs). We investigate the performance of three different SDEs – the Langevin Equation (LE), Generalized Langevin Equation (GLE), and the Empirical Model Reduction (EMR) approach in this thesis. Our results reveal that LE demonstrates better results for systems with weak memory while it fails to reconstruct underlying dynamics of systems with memory effects and colored-noise forcing. In these situations, the GLE and EMR are more suitable candidates since the interactions between observed and unobserved variables are considered in terms of memory effects. In the last part of this thesis, we develop a model based on the Echo State Network (ESN), combined with the past noise forecasting (PNF) method, to predict real-world complex systems. Our results show that the proposed model captures the crucial features of the underlying dynamics of climate variability.

Earth observation satellite data acquired in recent years and decades provide an ideal data basis for accurate long-term monitoring and mapping of the Earth's surface and atmosphere. However, the vast diversity of different sensor characteristics often prevents synergetic use. Hence, there is an urgent need to combine heterogeneous multi-sensor data to generate geometrically and spectrally harmonized time series of analysis-ready satellite data. This dissertation provides a mainly methodical contribution by presenting two newly developed, open-source algorithms for sensor fusion, which are both thoroughly evaluated as well as tested and validated in practical applications. AROSICS, a novel algorithm for multi-sensor image co-registration and geometric harmonization, provides a robust and automated detection and correction of positional shifts and aligns the data to a common coordinate grid. The second algorithm, SpecHomo, was developed to unify differing spectral sensor characteristics. It relies on separate material-specific regressors for different land cover classes enabling higher transformation accuracies and the estimation of unilaterally missing spectral bands. Based on these algorithms, a third study investigated the added value of synthesized red edge bands and the use of dense time series, enabled by sensor fusion, for the estimation of burn severity and mapping of fire damage from Landsat. The results illustrate the effectiveness of the developed algorithms to reduce multi-sensor, multi-temporal data inconsistencies and demonstrate the added value of geometric and spectral harmonization for subsequent products. Synthesized red edge information has proven valuable when retrieving vegetation-related parameters such as burn severity. Moreover, using sensor fusion for combining multi-sensor time series was shown to offer great potential for more accurate monitoring and mapping of quickly evolving environmental processes. Die in den letzten Jahrzehnten aufgenommenen Satellitenbilder zur Erdbeobachtung bieten eine ideale Grundlage für eine genaue Langzeitüberwachung und Kartierung der Erdoberfläche und Atmosphäre. Unterschiedliche Sensoreigenschaften verhindern jedoch oft eine synergetische Nutzung. Daher besteht ein dringender Bedarf heterogene Multisensordaten zu kombinieren und als geometrisch und spektral harmonisierte Zeitreihen nutzbar zu machen. Diese Dissertation liefert einen vorwiegend methodischen Beitrag und stellt zwei neu entwickelte Open-Source-Algorithmen zur Sensorfusion vor, die gründlich evaluiert, getestet und validiert werden. AROSICS, ein neuer Algorithmus zur Co-Registrierung und geometrischen Harmonisierung von Multisensor-Daten, ermöglicht eine robuste und automatische Erkennung und Korrektur von Lageverschiebungen und richtet die Daten an einem gemeinsamen Koordinatengitter aus. Der zweite Algorithmus, SpecHomo, wurde entwickelt, um unterschiedliche spektrale Sensorcharakteristika zu vereinheitlichen. Auf Basis von materialspezifischen Regressoren für verschiedene Landbedeckungsklassen ermöglicht er nicht nur höhere Transformationsgenauigkeiten, sondern auch die Abschätzung einseitig fehlender Spektralbänder. Darauf aufbauend wurde in einer dritten Studie untersucht, inwieweit sich die Abschätzung von Brandschäden aus Landsat mittels synthetischer Red-Edge-Bänder und der Verwendung dichter Zeitreihen, ermöglicht durch Sensorfusion, verbessern lässt. Die Ergebnisse zeigen die Effektivität der entwickelten Algorithmen zur Verringerung von Inkonsistenzen bei Multisensor- und Multitemporaldaten sowie den Mehrwert einer geometrischen und spektralen Harmonisierung für nachfolgende Produkte. Synthetische Red-Edge-Bänder erwiesen sich als wertvoll bei der Abschätzung vegetationsbezogener Parameter wie z. B. Brandschweregraden. Zudem zeigt die Arbeit das große Potenzial zur genaueren Überwachung und Kartierung von sich schnell entwickelnden Umweltprozessen, das sich aus einer Sensorfusion ergibt.

Die vorliegende Dissertation entwickelt Theorie für die empirische Distance Covariance von schwach abhängigen Daten. In einem ersten Teil wird das asymptotische Verhalten der empirischen Distance Covariance von Daten in separablen metrischen Räumen unter Mischungsannahmen untersucht und verschiedene Konvergenzresultate hergeleitet. Aufbauend hierauf wird ein Bootstrap-Verfahren für die schwache Grenzverteilung der empirischen Distance Covariance vorgestellt und dessen Basis ein Test auf Unabhängigkeit von Zeitreihen konstruiert. Zum Beweis der Bootstrap-Konsistenz wird eine neue Schranke für den Wassersteinabstand eines empirischen Maßes zu seiner Limesverteilung unter Mischungsannahmen hergeleitet. Schließlich wird das genannte Bootstrap-Verfahren in einer abgewandelten Form verwendet um asymptotische Konfidenzintervalle für die Distance Covariance zu konstruieren.

Gefördert vom DAAD aus Mitteln des Bundesministeriums für Wirtschlaftliche Zusammenarbeit und Entwicklung (BMZ)

Principal component analysis (PCA) and kernel PCA allow the decorrelation of data with respect to a basis that is found via variance maximization. However, these techniques are based on pointwise correlations. Especially in the context of time series analysis this is not optimal. We present a novel generalization of PCA that allows to imprint any desired correlation pattern. Thus the proposed method can be used to incorporate previously known statistical dependencies between input variables into the model which is increasing the overall performance. This is achieved by generalizing the projection onto the direction of maximum variance—as known from PCA—to a projection onto a multi-dimensional subspace. We focus on the use of cyclic correlation patterns, which is especially of interest in the domain of time series analysis. Beneath introducing the presented variation of PCA, we discuss the role of this method with respect to other well-known time series analysis techniques., publishedVersion

Mit der Verwendung von Sensordaten aus mehreren Quellen entsteht oft die Notwendigkeit einer Synchronisierung der entstandenen Messreihen. Ein Standardverfahren dazu ist die Kreuzkorrelation, die jedoch übereinstimmende Zeitstempel voraussetzt und empfindlich gegenüber Ausreißern reagiert. In diesem Paper wird daher ein alternativer Algorithmus für die Synchronisierung von Ereignis-basierten Zeitreihendaten vorgestellt. With the use of sensor data from multiple sources, the need for synchronization of the resulting measurement series often arises. A standard method for this is cross-correlation, but this requires matching timestamps and is sensitive to outliers. This paper therefore presents an alternative algorithm for the synchronization of event-based time series data.

Die vorliegende Dissertation entwickelt Testverfahren zur Detektion von Änderungen verschiedener Charakteristika einer kurzzeitabhängigen Zeitreihe. Nach einer kurzen Einführung in die mathematischen Grundlagen betrachtet der erste Teil der Arbeit einen Test auf Änderungen in der Varianz, der explizit auch unter Vorliegen eines nicht konstanten Mittelwertes anwendbar ist. Anschließend wird im zweiten Teil ein Test auf Änderungen im Mittelwert unter Heteroskedastizität untersucht. Die den Verfahren zugrundeliegenden Teststatistiken basieren auf dem paarweisen Vergleich lokaler Varianz- bzw. Mittelwertschätzer. Zur Herleitung ihres asymptotischen Verhaltens werden Grenzwertsätze für spezielle U-Statistiken von zeilenweise nicht stationären, kurzzeitabhängigen Dreiecksschemata nachgewiesen. Abschließend werden die resultierenden Testverfahren in Simulationsstudien analysiert und mit Hilfe von Datenbeispielen praktisch veranschaulicht.

Die gemischt-ganzzahlige lineare Optimierung ist im Stand der Forschung für Planungsprobleme technischer Systeme erprobt, benötigt jedoch für komplexere Systeme zu hohe Rechenzeiten. Deshalb wird im Rahmen der Dissertation ein Framework zur Bildung und Bewertung von Typperioden im Optimierungskontext entwickelt, um die Rechenzeiten systematisch zu reduzieren. Dabei liegt der Fokus auf der Auswahl und Entwicklung geeigneter Methoden zur Datenvorbereitung, Normierung, Zeitreihentransformation, Clustering-Algorithmen-Auswahl und Bewertung. Das Framework wird an einem neuartigen Optimierungsmodell zur Auslegung der gekoppelten Produktion von Stahl und Methanol mit einem am deutschen Intraday-Spotmarkt betriebenen Elektrolyseur exemplarisch angewendet. Im Vergleich zu etablierten, mathematischen Bewertungsmethoden erweisen sich die entwickelten Dauerlinien als besonders geeignet, um die Genauigkeit der resultierenden Optimierungsergebnisse zu prognostizieren.

A time series is a collection of data points captured over time, commonly found in many fields such as healthcare, manufacturing, and transportation. Accurately predicting the future behavior of a time series is crucial for decision-making, and several Machine Learning (ML) models have been applied to solve this task. However, changes in the time series, known as concept drift, can affect model generalization to future data, requiring thus online adaptive forecasting methods. This thesis aims to extend the State-of-the-Art (SoA) in the ML literature for time series forecasting by developing novel online adaptive methods. The first part focuses on online time series forecasting, including a framework for selecting time series variables and developing ensemble models that are adaptive to changes in time series data and model performance. Empirical results show the usefulness and competitiveness of the developed methods and their contribution to the explainability of both model selection and ensemble pruning processes. Regarding the second part, the thesis contributes to the literature on online ML model-based quality prediction for three Industry 4.0 applications: NC-milling, bolt installation in the automotive industry, and Surface Mount Technology (SMT) in electronics manufacturing. The thesis shows how process simulation can be used to generate additional knowledge and how such knowledge can be integrated efficiently into the ML process. The thesis also presents two applications of explainable model-based quality prediction and their impact on smart industry practices.

Time series arise in a variety of application domains—whenever data points are recorded over time and stored for subsequent analysis. A critical question is whether the occurrence of events like natural disasters, technical faults, or political interventions leads to changes in a time series, for example, temporary deviations from its typical behavior. The vast majority of existing research on this topic focuses on the specific impact of a single event on a time series, while methods to generically capture the impact of a recurring event are scarce. In this thesis, we fill this gap by introducing a novel framework for event impact analysis in the case of randomly recurring events. We develop a statistical perspective on the problem and provide a generic notion of event impacts based on a statistical independence relation. The main problem we address is that of establishing the presence of event impacts in stationary time series using statistical independence tests. Tests for event impacts should be generic, powerful, and computationally efficient. We develop two algorithmic test strategies for event impacts that satisfy these properties. The first is based on coincidences between events and peaks in the time series, while the second is based on multiple marginal associations. We also discuss a selection of follow-up questions, including ways to measure, model and visualize event impacts, and the relationship between event impact analysis and anomaly detection in time series. At last, we provide a first method to study event impacts in nonstationary time series. We evaluate our methodological contributions on several real-world datasets and study their performance within large-scale simulation studies.

The identification of differences in dynamic networks between various time points is an important task and involves statistical procedures like two-sample tests or changepoint detection. Due to the rather complex nature of temporal graphs, the analysis is challenging which is why the complexity is typically reduced to a metric or some sort of a model. This is not only likely to result in a loss of relevant information, but common approaches also use restrictive assumptions and are therefore heavily limited in their usability. We propose an online monitoring approach usable for flexible network structures and able to handle various types of changes. It is based on a sound choice of a set of network characteristics under consideration of their mathematical properties which is crucial in order to cover the relevant information. Subsequently, those metrics are jointly monitored in a suitable multivariate control chart scheme which performs superior to a univariate analysis and enables both parametric and non-parametric usage. The user also benefits from a handy interpretation of the structural reasons for the detected changes which is a crucial advantage in the rather complex field of dynamic networks. Our findings are supported by an extensive simulation study., Discussion Paper / SFB823;33/2021

Aufgrund des Klimawandels, eines unzureichenden Managements der Grundwassernutzung und der wachsenden Bevölkerung hat der Grundwasserverbrauch (GW) erheblich zugenommen. Daher ist die Überwachung und Beobachtung von Grundwasserveränderungen von entscheidender Bedeutung, um das verfügbare Grundwasser und seine weltweite Bewirtschaftung besser zu verstehen. Aufgrund des Mangels an zuverlässigen und ausreichenden In-situ-Beobachtungen können Fernerkundung und hydrologische Modelle als alternative Quellen verwendet werden, um die Änderungen der GW-Speicherung auf globaler und/oder regionaler Ebene zu überwachen und zu bewerten. Diese hydrologischen Modelle haben jedoch oft eine geringe räumliche Auflösung, die auf kleinem Maßstab nicht viele Informationen liefert. Daher ist das Hauptziel dieser Arbeit, die GW-Speicheranomalie (GWSA) des WaterGAP Global Hydrology Model (WGHM) von einer groben räumlichen Auflösung (0,5 Grad) auf eine feinere räumliche Auflösung (0,1 Grad) unter Verwendung feiner räumlicher Auflösung herunterzuskalieren Auflösung von Hilfsdatensätzen (0,1 Grad) wie Verdunstung, Oberflächen- und Untergrundabfluss, Schneehöhe, volumetrisches Bodenwasser und Bodentemperatur aus dem ERA5-Land-Modell sowie Produkt zur globalen Niederschlagsmessung (IMERG). Wir haben die Qazvin-Ebene im Zentraliran als Fallstudie ausgewählt, da sie in den letzten Jahren eine große Menge Grundwasser verloren hat. Verschiedene Modelle des maschinellen Lernens wie multiple lineare Regression (MLR), Polynome und Random Forest (RF)-Modelle wurden untersucht, um die WGHM-basierte GWSA herunterzuskalieren. Dann wurde die Leistung jedes Modells während der Validierung des Testdatensatzes bewertet und das RF-Modell wurde basierend auf seinen hohen Skill-Scores im Vergleich zu anderen Modellen ausgewählt. Dann wurde die GWSA bei 0,1 Grad (10 km) vorhergesagt. Die herunterskalierten Ergebnisse wurden am Ende auch mit den In-situ-Beobachtungen verglichen, um die Zuverlässigkeit der WGHM-basierten GWSA und der herunterskalierten GWSA zu sehen. Die Ergebnisse zeigten eine hohe Übereinstimmung mit der In-situ-GWSA über der Qazvin-Ebene sowohl in saisonalen als auch in monatlichen Zeitskalen mit einem Korrelationskoeffizienten von 0,994 bzw. 0,991 für das Original (0,5 Grad) und das herunterskalierte (0,1 Grad) GWSA. Im Allgemeinen zeigte das herunterskalierte Produkt deutlich, dass die entwickelte Herunterskalierungstechnik, die in dieser Studie verwendet wird, in der Lage ist, die Hilfsdaten mit hoher räumlicher Auflösung zu verwenden, und das Modell daraus lernen kann, und schließlich kann man die GWSA-Merkmale auf einer höheren Ebene erfassen räumliche Auflösung. Due to climate change, not adequately management of groundwater usage, and the growing population, groundwater (GW) consumption has increased significantly. Therefore, monitoring and observing groundwater changes is vital to have a better understanding of the available groundwater and its management of it worldwide. Due to the lack of reliable and sufficient in-situ observations, remote sensing and hydrological models can be used as an alternative source to monitor and evaluate the GW storage changes on global and/or regional scales. However, often these hydrological models have a low spatial resolution which will not give much information on a small scale. Therefore, the main aim of this thesis is to downscale the GW storage anomaly (GWSA) of the WaterGAP Global Hydrology Model (WGHM) from a coarse spatial resolution (0.5-degree) to a finer spatial resolution (0.1-degree) using fine spatial resolution auxiliary datasets (0.1-degree) such as evaporation, surface, and subsurface runoff, snow depth, volumetric soil water, and soil temperature from the ERA5-Land model as well as global precipitation measurement (IMERG) product. We selected the Qazvin Plain which is located in central Iran as the case study because it has lost a big amount of groundwater during the last several years. Different Machine Learning such as multiple linear regression (MLR), polynomial, and random forest (RF) models was examined to downscale the WGHM-based GWSA. Then the performance of each model was evaluated during the validation of the test dataset and RF model was selected based on its high skill scores compared to other models. Then the GWSA was predicted at 0.1-degree (10-km). The downscaled results were also compared with the in-situ observations at the end, to see the reliability of the WGHM-based GWSA and the downscaled GWSA. The results showed high agreement with the in-situ GWSA over Qazvin Plain in both seasonal and monthly time scales, with a correlation coefficient of 0.994 and 0.991, respectively, for the original (0.5-degree) and the downscaled (0.1-degree) GWSA. In general, the downscaled product clearly indicated that the developed downscaling technique that is used in this study, is able to use the high spatial resolution auxiliary data and the model can learn from that, and finally one can capture the GWSA features at a higher spatial resolution.

Regression models are suitable to analyse the association between health outcomes and environmental exposures. However, in urban health studies where spatial and temporal changes are of importance, spatial and spatio-temporal variations are usually neglected. This thesis develops and applies regression methods incorporating latent random effects terms with Conditional Autoregressive (CAR) structures in classical regression models to account for the spatial effects for cross-sectional analysis and spatio-temporal effects for longitudinal analysis. The thesis is divided into two main parts. Firstly, methods to analyse data for which all variables are given on an areal level are considered. The longitudinal Heinz Nixdorf Recall Study is used throughout this thesis for application. The association between the risk of depression and greenness at the district level is analysed. A spatial Poisson model with a latent CAR structured-Random effect is applied for selected time points. Then, a sophisticated spatio-temporal extension of the Poisson model results to a negative association between greenness and depression. The findings also suggest strong temporal autocorrelation and weak spatial effects. Even if the weak spatial effects are suggestive of neglecting them, as in the case of this thesis, spatial and spatio-temporal random effects should be taken into account to provide reliable inference in urban health studies. Secondly, to avoid ecological and atomic fallacies due to data aggregation and disaggregation, all data should be used at their finest spatial level given. Multilevel Conditional Autoregressive (CAR) models help to simultaneously use all variables at their initial spatial resolution and explain the spatial effect in epidemiological studies. This is especially important where subjects are nested within geographical units. This second part of the thesis has two goals. Essentially, it further develops the multilevel models for longitudinal data by adding existing random effects with CAR structures that change over time. These new models are named MLM tCARs. By comparing the MLM tCARs to the classical multilevel growth model via simulation studies, we observe a better performance of MLM tCARs in retrieving the true regression coefficients and with better fits. The models are comparatively applied on the analysis of the association between greenness and depressive symptoms at the individual level in the longitudinal Heinz Nixdorf Recall Study. The results show again negative association between greenness and depression and a decreasing linear individual time trend for all models. We observe once more very weak spatial variation and moderate temporal autocorrelation. Besides, the thesis provides comprehensive decision trees for analysing data in epidemiological studies for which variables have a spatial background.

Das Sammeln großer Mengen von Sensordaten, die von Maschinen erfasst werden - z. B. in Produktionsanlagen -, ist mittlerweile allgegenwärtig. Diese Sensordaten verknüpfen Werte mit der Zeit, zu der sie gemessen wurden, weshalb sie oft auch als Zeitreihendaten bezeichnet werden. Durch die Analyse solcher Aufzeichnungen, die das Verhalten und den Energieverbrauch von Maschinen detailliert beschreiben, können Ineffizienzen und Anomalien aufgedeckt und anschließend zumindest abgeschwächt werden. Um diese Vorteile von Zeitreihendaten nutzen zu können, sind Mittel zum effizienten Speichern sowie Abfragen eben dieser erforderlich. Es bestehen zwar speziell entwickelte Zeitreihen-Datenbanken, die leistungsstarkes Abspeichern und Verwalten von Zeitreihendaten unterstützen, doch sind ihre nativen Abfrage-Fähigkeiten im Allgemeinen eher grundlegender Natur und operieren auf niedrigem Abstraktionsniveau. Es existieren auch leistungsfähigere Ansätze zur Abfrage von Zeitreihendaten, die unabhängig von konkreten Datenbanken sind. Diese sind jedoch oft konzeptionell komplex und es fehlt ihnen an Werkzeug-Unterstützung, wodurch sie für den Einsatz in industriellen Umfeldern ungeeignet sind. Deshalb wird in dieser Arbeit DTSQL vorgestellt, eine neue deklarative Zeitreihen-Abfragesprache, deren Kernfunktionalitäten in Zusammenarbeit mit auf Energieeffizienz spezialisierten Domänen-Experten identifiziert wurden. Sowohl ihre Syntax als auch ihre Semantik wurden auf präzise Weise formal definiert und operieren auf hohem Abstraktionsniveau, was es Domänen-Experten ermöglicht, zielgerichtete Abfragen zu formulieren. Darüber hinaus ist sie insofern generisch, als sie unabhängig von spezifischen Zeitreihen-Datenbanken ist. Konkret ist es damit möglich, die Vorteile einer Datenbank zu nutzen und gleichzeitig, mithilfe einer klar definierten Schnittstelle für Datenbankzugriffe, die vorgestellte Abfragesprache zu verwenden. Sowohl die Spezifikation der vorgeschlagenen Abfragesprache als auch ihre Referenzimplementierung wurden danach bewertet, wie effizient und akkurat sie die während des Anforderungserfassungsprozesses identifizierten Anwendungsfälle abdecken. Die Ergebnisse waren sowohl für die Sprachspezifikation als auch für den implementierten Prototypen recht positiv. Abfragen konnten innerhalb von akzeptablen Zeitspannen ausgewertet werden und ihre Ergebnisse stimmten annähernd mit der von Menschen durchgeführten Bewertung derselben Eingabe-Zeitreihe überein., The practice of collecting large volumes of sensor data captured by machines - e.g., in production plants - has become ubiquitous. These sensor data link values with the time they were measured, which is why they are often also referred to as time series data. By analyzing such records detailing the behavior and energy consumption of machines, inefficiencies as well as anomalies can be detected and subsequently mitigated.In order to derive these benefits from time series data, efficient means of storing and querying them are required. While there are specifically designed temporal databases supporting high-performance ingestion and storage of time series data, their native query capabilities are generally rather basic and operate on a low abstraction level. There exist more powerful approaches to querying time series data, independent of concrete temporal databases. They often are, however, conceptually rather complex, lack tool support and therefore, are not suitable for use in industrial environments.Therefore, this thesis proposes DTSQL, a novel declarative time series query language whose core features have been identified in collaboration with domain experts specializing in energy efficiency. Its syntax and semantics were precisely and formally defined and provide a high level of abstraction, allowing domain experts to formulate target-oriented queries. Furthermore, it is generic in the sense that it is agnostic to specific temporal databases. More specifically, it possible to leverage the efficiency of a database while also utilizing the proposed query language by means of a predefined interface responsible for storage accesses.The proposed query language specification and its reference implementation were evaluated according to how efficiently and accurately they cover the use cases identified during the requirement collection process. The results for both the language specification and the implemented prototype system were fairly positive. Query results were obtained within an acceptable amount of time and approximately coincided with the assessment of the same input time series conducted by humans.

Komplexe Systeme wie das Klima der Erde bestehen aus vielen Komponenten, die durch eine komplizierte Kopplungsstruktur miteinander verbunden sind. Für die Analyse solcher Systeme erscheint es daher naheliegend, Methoden aus der Netzwerktheorie, der Theorie dynamischer Systeme und dem maschinellen Lernen zusammenzubringen. Durch die Kombination verschiedener Konzepte aus diesen Bereichen werden in dieser Arbeit drei neuartige Ansätze zur Untersuchung komplexer Systeme betrachtet. Im ersten Teil wird eine Methode zur Konstruktion komplexer Netzwerke vorgestellt, die in der Lage ist, Windpfade des südamerikanischen Monsunsystems zu identifizieren. Diese Analyse weist u.a. auf den Einfluss der Rossby-Wellenzüge auf das Monsunsystem hin. Dies wird weiter untersucht, indem gezeigt wird, dass der Niederschlag mit den Rossby-Wellen phasenkohärent ist. So zeigt der erste Teil dieser Arbeit, wie komplexe Netzwerke verwendet werden können, um räumlich-zeitliche Variabilitätsmuster zu identifizieren, die dann mit Methoden der nichtlinearen Dynamik weiter analysiert werden können. Die meisten komplexen Systeme weisen eine große Anzahl von möglichen asymptotischen Zuständen auf. Um solche Zustände zu beschreiben, wird im zweiten Teil die Monte Carlo Basin Bifurcation Analyse (MCBB), eine neuartige numerische Methode, vorgestellt. Angesiedelt zwischen der klassischen Analyse mit Ordnungsparametern und einer gründlicheren, detaillierteren Bifurkationsanalyse, kombiniert MCBB Zufallsstichproben mit Clustering, um die verschiedenen Zustände und ihre Einzugsgebiete zu identifizieren. Bei von Vorhersagen von komplexen Systemen ist es nicht immer einfach, wie Vorwissen in datengetriebenen Methoden integriert werden kann. Eine Möglichkeit hierzu ist die Verwendung von Neuronalen Partiellen Differentialgleichungen. Hier wird im letzten Teil der Arbeit gezeigt, wie hochdimensionale räumlich-zeitlich chaotische Systeme mit einem solchen Ansatz modelliert und vorhergesagt werden können., Complex systems such as the Earth's climate are comprised of many constituents that are interlinked through an intricate coupling structure. For the analysis of such systems it therefore seems natural to bring together methods from network theory, dynamical systems theory and machine learning. By combining different concepts from these fields three novel approaches for the study of complex systems are considered throughout this thesis. In the first part, a novel complex network construction method is introduced that is able to identify the most important wind paths of the South American Monsoon system. Aside from the importance of cross-equatorial flows, this analysis points to the impact Rossby Wave trains have both on the precipitation and low-level circulation. This connection is then further explored by showing that the precipitation is phase coherent to the Rossby Wave. As such, the first part of this thesis demonstrates how complex networks can be used to identify spatiotemporal variability patterns within large amounts of data, that are then further analysed with methods from nonlinear dynamics. Most complex systems exhibit a large number of possible asymptotic states. To investigate and track such states, Monte Carlo Basin Bifurcation analysis (MCBB), a novel numerical method is introduced in the second part. Situated between the classical analysis with macroscopic order parameters and a more thorough, detailed bifurcation analysis, MCBB combines random sampling with clustering methods to identify and characterise the different asymptotic states and their basins of attraction. Forecasts of complex system are the next logical step. When doing so, it is not always straightforward how prior knowledge in data-driven methods. One possibility to do is by using Neural Partial Differential Equations. Here, it is demonstrated how high-dimensional spatiotemporally chaotic systems can be modelled and predicted with such an approach in the last part of the thesis.

Komplexe Netzwerke sind mächtige Werkzeuge, die die Untersuchung komplexer Systeme unterstützen. In vielen Bereichen werden komplexe Netzwerke eingesetzt, um die Dynamik interagierender Entitäten wie Neuronen, Menschen oder sogar Wettersysteme zu verstehen. Darüber hinaus erweitern sich die Anwendungsbereiche mit der stetigen Entwicklung neuer theoretischer Ansätze. In dieser Arbeit wollen wir sowohl den theoretischen Rahmen der Netzwerkwissenschaften weiterentwickeln als auch komplexe Netzwerke in der Klimatologie und der computergestützten Sozialwissenschaft anwenden. Complex networks are powerful tools enabling the study of complex systems. In many fields, complex networks are used as a tool to gain an understanding of the dynamics of interacting entities such as neurons in a brain, humans on social media, or global weather systems. At the same time, new theoretical frameworks that extend the toolbox of Network Science promote the application of network tools in new research fields. In this thesis, we aim for both, advancing the theoretical framework of Network Science as well as applying complex networks in Climatology and Computational Social Science.

The Bolivian monthly index of economic activity along with ARMA models are used in an attempt to graph and measure the impact of Covid's pandemic on the Bolivian economy. The accumulated difference between the observed and counterfactual values show an overall 12.6% loss of economic activity in the 10 months from February to November 2020 of the first Covid wave, with a tilted W-shape short-run recovery just before the beginning of the second wave in December 2020. Break[1]down into the twelve Bolivian economic sectors show wide heterogeneity in depth of impact and speeds of recovery during the same period.

Diese Arbeit untersucht Auswirkungen auf die Gewalt im sozialen Nahraum in Niederösterreich im COVID-19-Pandemiejahr und erörtert, ob es aufgrund der gesetzlich angeordneten COVID-19-bedingten Beschränkungen zu einer Veränderung in Form und Häufigkeit der Gewalt im sozialen Nahraum gekommen ist. Grundlage der quantitativen Studie sind kriminalstatistische Daten, Aktenmaterial zu Mordfällen (inkl. Versuche) aus dem Bereich Gewalt im sozialen Nahraum, polizeilich ausgesprochene Betretungsverbote und Daten des Gewaltschutzzentrums Niederösterreich, die im Zuge der KlientInnen-Betreuung aufgenommen wurden. Um Veränderungen vor, während und nach den bislang drei Lockdowns erkennen zu können, wurden Daten des Zeitraums 1. Jänner 2010 bis 28. Februar 2021 herangezogen und insbesondere der Zeitraum der COVID-19-Pandemie, unterteilt in verschiedene Perioden, untersucht. Das Datenmaterial wurde deskriptiv und mittels Zeitreihenanalyse inferenzstatistisch ausgewertet. Weiterführende Analysen des Kreises der TäterInnen und der Opfer im Zusammenhang mit Risikofaktoren und Beziehungsverhältnissen wurden ebenfalls im Hinblick auf veränderte Muster und Trends durchgeführt. Die Ergebnisse zeigen, dass die Gewalt im sozialen Nahraum seit Jahren zunimmt und nicht nur langjährige Gewaltspiralen mit der Tötung der zumeist weiblichen (Ex-) Partnerin enden. Die Zeitreihenanalysen bestätigen die Hinweise aus der deskriptiven Auswertung, dass es durch die COVID-19-bedingten Ausgangsbeschränkungen zu einer Zunahme der Gewalt im sozialen Nahraum gekommen ist. Der überwiegende Anteil der Opfer von Gewalt im sozialen Nahraum waren Frauen im Alter von 22 bis 60 Jahren. Über ein Viertel der Mordopfer waren Personen über 60 Jahre. Im Gegensatz zu den Morddelikten war aus den Daten des GSZ NÖ ein überproportionaler Anteil an Nicht-ÖsterreicherInnen sowohl bei den TäterInnen als auch bei den KlientInnen festzustellen. Ebenso war während der COVID-19-Pandemie ein wesentlicher Anstieg der Gewalt gegen unmündige Minderjährige festzustellen. Bei Personen, welche mit minderjährigen Kindern im gleichen Haushalt lebten, wurde ebenfalls ein steigendes Risiko identifiziert, Gewaltopfer zu werden. Bei den TäterInnen stieg die psychiatrische Thematik vom Jahr 2019 auf 2020 besonders stark an und stellte gefolgt von Alkohol- und Suchtthematik einen wesentlichen Anteil bei den Risikofaktoren dar. TäterInnen, die während der KlientInnen-Betreuung durch das GSZ NÖ, auch gegen andere KlientInnen Gewalt ausübten, nahmen ebenfalls stark zu. Die Ergebnisse legen nahe, dass vor allem das Vorliegen von zwei oder mehr Risikofaktoren die Gefahr von Gewalt im sozialen Nahraum deutlich erhöht. Die rechtzeitige und zielgerichtete Erkennung von Risikofaktoren stellt in diesem sensiblen Bereich eines der wichtigsten Instrumente für die befassten Behörden und Institutionen dar. Der enge Informationsaustausch zwischen allen Einrichtungen bietet dazu viele Ansätze, ist aber vor allem aufgrund datenschutzrechtlicher Hindernisse limitiert. This paper studies the impact of violence in the close social environment in Lower Austria during the pandemic Covid-19 year and debates if there has been a change in type and occurrence in the social environment based on lawful ordered restrictions. In this quantitative study related to the field of violence in the close social environment, is criminal statistical data, file material of homicide cases (including attempts), barring orders as well as data from the center for protection against violence of Lower Austria which have been recorded in the course of clients care. Data from the period of 1st of January 2010 till 28th of February 2021 was used to analyze changes prior, during and after the three Covid-19 lockdowns. The file material has been descriptive interferential statistically evaluated by means of a time-series analysis. Continuative analysis of the group of offenders and victims, in correlation with risk factors and relationships, with the focus on changed patterns and trends, has been done. The results display that violence in the close social environment is increasing and will continue to do so, not just long-lasting spirals of violence which generally result in the killing of female (ex-) partners. The time series analyses confirm the indication from the descriptive analyses that the Covid-19 curfews led to an increase of violence in the close social environment. The main group of violence victims in the close social environment were females within the age of 22 to 60 years old. More than a quarter of murder victims were older than 60 years old. In contrast to the homicide cases, the data from the center for protection against violence of Lower Austria, show a disproportionate part of foreigners (non-Austrian citizens), offenders as well as clients. There was also a noticeable increase of violence against underage persons during the Corona-19 pandemic. Persons, who lived together with minors, were identified to become a victim of violence. Among offenders’ psychological issues rose extraordinarily and presented, followed by drug- and alcohol abuse, a crucial part of contributing violence factors. The number of offenders within the center for protection against violence, who showed violence, even towards other clients, rose drastically as well. Results show, that the presence of two or more risk factors, clearly increases the risk of violence in the social environment. A timely and specific recognition of risk factors provides, in this sensitive field, one of the most important means of prevention for the concerned authorities and institutions. The close data exchange among all institutions offers many prevention approaches although it is especially limited due to data protective laws. Abweichender Titel laut Übersetzung der Verfasserin/des Verfassers Arbeit an der Bibliothek noch nicht eingelangt - Daten nicht geprüft Wien, FH Campus Wien, Masterarb., 2021

Zeitreihenanalysen und -prognosen spielen in vielen wissenschaftlichen Bereichen wie Medizin, Natur- und Sozialwissenschaften eine essenzielle Rolle. Konventionelle numerische Ansätze sind jedoch oft nicht in der Lage, komplexe Korrelationen innerhalb der Daten zu finden, benötigen leistungsfähige Computer und sind häufig nicht für große Datenmengen geeignet. Wissenschaftler sind daher ständig auf der Suche nach präziseren und leistungsfähigeren Methoden zur Analyse von Zeitreihen. In diesem Zusammenhang bietet Deep Learning heutzutage einen der vielversprechendsten Ansätze. Ziel dieser Bachelorarbeit ist es daher, die zwei gängigsten Deep-Learning-Modelle in Bezug auf Zeitreihenprognose gegenüberzustellen. Um zu verstehen, wie Zeitreihenprognose im Allgemeinen funktioniert, wurden zunächst die wichtigsten Komponenten einer Zeitreihe detailliert aufgeführt. Anschließend wurden die Kernkonzepte des Deep Learnings erläutert, um die notwendigen Grundlagen für das Verständnis der Funktionsweise der beiden Modelle 1D Convolutional Neural Networks (1D-CNN) und Recurrent Neural Networks (RNN) zu schaffen. Um die Leistungsfähigkeit dieser beiden Deep-Learning-Techniken zu veranschaulichen, wurden sie implementiert, trainiert und mit einem Wetter-Datensatz getestet. Beide Modelle generierten bemerkenswert genaue Wettervorhersagen. Obwohl RNNs für die Arbeit mit Zeitreihen prädestiniert sind, war ihre Laufzeit deutlich länger als die des 1D-CNNs. Außerdem erzielten beide Modelle ähnlich gute Ergebnisse, was darauf hindeutet, dass für diesen speziellen Anwendungsfall die Implementierung eines 1D-CNNs ausreichend ist. Außerdem war auffällig, dass die Vorhersagen umso fehlerhafter wurden, je weiter die Prognosen in der Zukunft lagen. Time series analysis and forecasting play an essential role in many scientific fields such as medical, agricultural, natural, and social studies. However, conventional numerical approaches often lack the ability to find complex correlations within the data, require powerful computers, and are not suitable for handling huge amounts of data. Thus, scientists are constantly searching for more precise and powerful methods to analyze time series. In this context, deep learning offers one of the most promising approaches nowadays. Hence, the aim of this bachelor thesis is to juxtapose the two most common types of deep neural networks with regard to time series forecasting. To understand how time series forecasting works in general, first, the key components of a time series were listed in detail. Subsequently, the core concepts of deep learning were explained to provide the required fundamentals for understanding the operating principles of the two models 1D convolutional neural networks (1D CNN) and recurrent neural networks (RNN). To illustrate the power of these two deep learning techniques, they have been implemented, trained, and tested with a weather dataset. Both models generated remarkably accurate weather forecasts. Even though RNNs are predestined for working with time series, its runtime was significantly longer than the one of the 1D CNN. Furthermore, both models achieved similarly good results which indicates that for this specific use case the implementation of a 1D CNN is sufficient. Moreover, it was also noticeable that the predictions became more erroneous the further the forecasts were in the future. Thomas Kristan Abweichender Titel laut Übersetzung der Verfasserin/des Verfassers Bachelorarbeit Graz, Fachhochschule Joanneum 2021