Zur Hauptnavigation wechseln Zur Suche wechseln Zum Hauptinhalt wechseln

Vergleich datengetriebener Prognoseverfahren zur kurzfristigen Wasserverbrauchsvorhersage unter Berücksichtigung meteorologischer und saisonaler Einflussfaktoren
: eine Fallstudie für die Wassergenossenschaft Gramastetten

  • Magdalena Pfleger

    Studienabschlussarbeit: Masterarbeit

    Abstract

    Wasserversorger stehen vor der Herausforderung, die Versorgungssicherheit trotz zuneh
    mender 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 Bewilligung2026
    OriginalspracheDeutsch (Österreich)
    Gradverleihende Hochschule
    • FH OÖ
    Betreuer/-inGabriel Kronberger (Betreuer*in)

    Studiengang

    • Information Engineering und -Management

    Zitieren

    '