Abstract
Wasserversorger stehen vor der Herausforderung, die Versorgungssicherheit trotz zunehmender klimatischer Belastungen und wachsender Wasserbedarfe langfristig zu gewähr
leisten. Eine zuverlässige kurzfristige Prognose des täglichen Wasserverbrauchs kann die
bedarfsgerechte Planung und den effizienten Betrieb von Wasserversorgungssystemen
unterstützen. In dieser Arbeit werden fünf Prognosemodelle zur Mehrschrittvorhersage
des täglichen Wasserverbrauchs über einen Horizont von 1 bis 14 Tagen verglichen. Als
Fallstudie dient die Wassergenossenschaft Gramastetten. Die Modelle berücksichtigen
historische, meteorologische, kalendarische und saisonale Einflussgrößen sowie geplante
Bedarfe in Form von Poolbefüllungen.
Untersucht werden ein einfaches saisonales Prognosemodell (Seasonal Naive), ein
saisonales autoregressives integriertes Moving-Average-Modell mit exogenen Variablen
(SARIMAX), die Light Gradient Boosting Machine (LightGBM), ein Long Short-Term
Memory Network (LSTM) sowie ein hybrides Wavelet-LSTM-Modell. Die Evaluierung
erfolgt mittels zeitlich geordneter Walk-Forward-Kreuzvalidierung anhand von vier eta
blierten Bewertungsmetriken zur Beurteilung der Prognosegüte. Ergänzend werden die
Modellleistungen während und außerhalb der Poolsaison analysiert.
LightGBM erzielt über den gesamten Bewertungszeitraum und außerhalb der Pool
saison die beste Prognosegüte, während das LSTM während der Poolsaison überlegen
ist. SARIMAX erreicht ebenfalls konkurrenzfähige Ergebnisse, das Wavelet-LSTM hin
gegen keine Verbesserung gegenüber dem LSTM. Insgesamt erweist sich LightGBM
als geeignetstes Modell, wobei die saisonalen Unterschiede zeigen, dass kein Verfahren
durchgehend überlegen ist.
| Datum der Bewilligung | 2026 |
|---|---|
| Originalsprache | Deutsch (Österreich) |
| Gradverleihende Hochschule |
|
| Betreuer/-in | Gabriel Kronberger (Betreuer*in) |
Studiengang
- Information Engineering und -Management
Zitieren
- Standard