1. Die Bedeutung von Verbrauchsvorhersagen für nachhaltige Energiesysteme
In einer Zeit, in der der Klimawandel eine der größten Herausforderungen unserer Generation darstellt, rückt der Energieverbrauch von Gebäuden zunehmend in den Fokus. Wussten Sie, dass der Gebäudesektor allein für etwa 30% des durchschnittlichen globalen Energieverbrauchs und ein Drittel der damit verbundenen CO₂-Emissionen verantwortlich ist? [1] Besonders Heizungssysteme spielen dabei eine entscheidende Rolle – sie tragen zu etwa 50% des weltweiten Energieverbrauchs bei [2] und sind damit ein wesentlicher Faktor im Kampf gegen den Klimawandel.
Bei RAUSCH Technology haben wir uns der Herausforderung gestellt, diesen enormen ökologischen Fußabdruck zu reduzieren. Als Vorreiter in der Dekarbonisierung des Energiesektors setzen wir auf innovative KI-gestützte Lösungen, die den Energieverbrauch optimieren und gleichzeitig den Komfort für die Nutzer erhalten. Unser Ansatz: präzise Verbrauchsvorhersagen, die das Fundament für intelligente Energiemanagementsysteme bilden.
Warum sind genaue Verbrauchsvorhersagen so entscheidend? Je präziser wir den zukünftigen Energiebedarf eines Gebäudes vorhersagen können, desto effizienter lässt sich die Energieversorgung planen und steuern. Dies führt nicht nur zu erheblichen Kosteneinsparungen, sondern reduziert auch den Ressourcenverbrauch und die damit verbundenen Emissionen. In unserem KI-NERGY Projekt konnten wir beispielsweise durch den Einsatz von KI-basierten Optimierungssystemen den Heizenergieverbrauch um beeindruckende 24% senken [3] – ein deutlicher Beweis für das Potenzial intelligenter Verbrauchsvorhersagen.
Ein weiterer entscheidender Vorteil präziser Verbrauchsvorhersagen liegt in ihrer Fähigkeit, Anomalien im Energieverbrauch frühzeitig zu erkennen. Durch den kontinuierlichen Vergleich zwischen prognostizierten und tatsächlichen Verbrauchswerten können ungewöhnliche Muster identifiziert werden, die auf ineffiziente Betriebszustände, technische Defekte oder sogar Sicherheitsrisiken hindeuten [4, 5]. Die frühzeitige Erkennung von Anomalien trägt zur Kostenersparnis bei, indem Probleme behoben werden, bevor sie zu Systemausfällen führen. Darüber hinaus ermöglicht die frühzeitige Erkennung von Ineffizienzen eine kontinuierliche Optimierung des Energieverbrauchs, was sowohl ökonomische als auch ökologische Vorteile mit sich bringt [6].
Zudem erleichtert die Entwicklung von „Smart Buildings“ durch kontinuierliches Monitoring des Energieverbrauchs und den Einsatz fortschrittlicher Prognosemechanismen die Integration erneuerbarer Energien [7, 8]. So schaffen wir nicht nur kurzfristige Einsparungen, sondern legen auch den Grundstein für eine nachhaltige Energiezukunft.
In den folgenden Abschnitten werden wir tiefer in die Technologien eintauchen, die diese Revolution im Energiemanagement ermöglichen, und zeigen, wie moderne Verfahren des maschinellen Lernens, Transformer-Architekturen [9] und xLSTM-Modelle [10], die Genauigkeit von Verbrauchsvorhersagen auf ein neues Niveau heben.
2. Grundlagen der Zeitreihenprognose
Zeitreihenprognosen sind ein mächtiges Werkzeug, das in zahlreichen Bereichen Anwendung findet – von der Klimamodellierung über die Medizin bis hin zu kommerziellen Entscheidungsprozessen und dem Finanzwesen [11]. Im Kontext der Energieoptimierung nutzen wir diese Methode, um den Wärmebedarf für die kommenden Stunden oder Tage vorherzusagen und so eine effiziente Ressourcenplanung zu ermöglichen.
Aber was genau ist eine Zeitreihe? Mathematisch betrachtet handelt es sich um eine Abfolge von Datenpunkten, die in chronologischer Reihenfolge erfasst werden [12]. Eine Zeitreihe X der Länge n kann als Zuordnung zwischen Zeitschritten t und skalaren Werten definiert werden:
X = {X₁, X₂, X₃, …, Xₙ}, Xₜ ∈ ℝ
Die Zeitreihenprognose ist im Kern eine überwachte Regressionsaufgabe, bei der ein Modell entwickelt wird, das basierend auf historischen Daten zukünftige Werte vorhersagen kann [13]. Die Herausforderung besteht darin, eine Funktion f zu finden, die n Eingabewerte auf k Ausgabewerte abbildet:
f: ℝⁿ → ℝᵏ
Bei der Wärmelastprognose arbeiten wir mit unterschiedlichen Prognosehorizonten, die je nach Anwendungsfall variieren. Kurzfristige Prognosen (stündlich oder täglich) helfen bei der unmittelbaren Optimierung von Heizungsanlagen, während mittelfristige Vorhersagen (wöchentlich) für die Ressourcenplanung und langfristige Strategien unerlässlich sind. Unsere Erfahrung zeigt, dass die Genauigkeit der Prognose mit zunehmendem Zeithorizont abnimmt – eine weitere Herausforderung, der mit immer ausgefeilteren Modellen begegnet wird [14].
Die Qualität einer Zeitreihenprognose hängt maßgeblich von den verfügbaren Daten ab. Bei RAUSCH Technology nutzen wir nicht nur historische Verbrauchsdaten, sondern beziehen auch externe Faktoren wie Wetterdaten, Gebäudeeigenschaften und Nutzungsprofile mit ein. Diese multivariate Betrachtung ermöglicht es uns, komplexe Zusammenhänge zu erkennen und präzisere Vorhersagen zu treffen [15].
Die Zeitreihenprognose ist ein wichtiger Teil unserer intelligenten Energiemanagementsysteme. Sie ermöglicht es uns, proaktiv statt reaktiv zu handeln – ein entscheidender Vorteil in Zeiten volatiler Energiemärkte und zunehmender Umweltanforderungen. In den folgenden Abschnitten werden wir einen genaueren Blick auf die verschiedenen Methoden werfen, die wir für diese anspruchsvolle Aufgabe einsetzen.
3. Moderne Methoden der Verbrauchsvorhersage
Die Landschaft der Prognosemethoden für Energieverbrauch hat sich in den letzten Jahren dramatisch verändert. Während traditionelle statistische Verfahren wie ARIMA (Autoregressive Integrated Moving Average) [16, 17] und exponentielle Glättung [18] lange Zeit den Standard darstellten, haben moderne Ansätze des maschinellen Lernens die Genauigkeit und Flexibilität von Verbrauchsvorhersagen revolutioniert.
Konventionelle Methoden des maschinellen Lernens
Bevor wir zu den fortschrittlichsten Modellen übergehen, lohnt es sich einen Blick auf bewährte Ansätze des maschinellen Lernens zu werfen. Einfache neuronale Netze (Fully Connected Networks, FCNs) bieten bereits eine beachtliche Vorhersagegenauigkeit bei geringem Rechenaufwand. In unseren Benchmarks haben wir festgestellt, dass ein leichtgewichtiges FCN für Sieben-Tage-Prognosen überraschend gute Ergebnisse liefert – und das bei einer Trainingszeit von nur einer Minute auf einer CPU [19].
Rekurrente neuronale Netze (RNNs) und insbesondere Long Short-Term Memory (LSTM) Netzwerke [20] haben sich als besonders effektiv für Zeitreihendaten erwiesen, da ihr sequentieller Aufbau es ihnen ermöglicht zeitliche Abhängigkeiten zu erfassen. LSTMs können sowohl kurzfristige als auch langfristige Muster in den Daten erkennen und haben sich bei der Vorhersage von täglichen Wärmelasten als äußerst präzise erwiesen.
Transformer-Architekturen für Zeitreihenprognosen
Ein Quantensprung in der Welt der Zeitreihenprognosen war die Einführung von Transformer-Modellen. Ursprünglich für die Verarbeitung natürlicher Sprache entwickelt [9], haben sich diese Architekturen auch für Zeitreihendaten als äußerst leistungsfähig erwiesen. Der Schlüssel zum Erfolg liegt im Attention-Mechanismus, der es dem Modell ermöglicht, dynamisch zu entscheiden, welche Teile der historischen Daten für die aktuelle Vorhersage relevant sind.
Mehrere Transformer-basierte Modell für Zeitreihenprognose sind bisher entstanden [14, 15]. Der Temporal Fusion Transformer (TFT) [15] ist eine speziell für multivariate Zeitreihenprognosen entwickelte Architektur. Der TFT kombiniert die Stärken von Attention-Mechanismen mit einer interpretierbareren Struktur, die es uns ermöglicht, die Entscheidungsprozesse des Modells nachzuvollziehen – ein entscheidender Vorteil in kritischen Infrastrukturbereichen wie der Energieversorgung.
Unsere Benchmarks haben gezeigt, dass der TFT bei 24-Stunden und Drei-Stunden-Prognosen die niedrigste absolute Fehlerrate erzielt [19]. Allerdings ist der Trainingsaufwand nicht zu unterschätzen: Auf einer einfachen CPU kann das Training mehrere Stunden in Anspruch nehmen.
xLSTM: Die nächste Generation der Zeitreihenprognose
Mit eine der neuesten Entwicklungen in der Zeitreihenvorhersage ist das xLSTM-Modell [10], eine Weiterentwicklung der traditionellen LSTM-Architektur. Das „x“ steht für „extended“ und deutet auf die erweiterten Fähigkeiten dieses Modells hin, komplexe zeitliche Abhängigkeiten zu erfassen. Konkret wurden Speicherarchitektur und zugehörige Updatemechanismen verbessert, um dem Verlust von Informationen bei Bearbeitung von langen Zeitreihen vorzubeugen.
In unseren umfangreichen Tests hat sich das xLSTM als besonders leistungsfähig erwiesen: Es erreichte in drei von vier Testszenarien die niedrigsten Fehlerraten und übertraf damit sowohl konventionelle Methoden als auch Transformer-Modelle [19]. Auf einer GPU kann das Modell in etwa 20 Minuten trainiert werden.
Ein Vorteil des xLSTM liegt in seiner Robustheit gegenüber unvollständigen oder verrauschten Daten – eine häufige Herausforderung in realen Anwendungen. Selbst ohne Zugang zu zukünftigen Kovariaten (wie Wettervorhersagen) liefert das xLSTM präzise Prognosen, was es zu einer vielseitigen Lösung für verschiedene Anwendungsszenarien macht.
Die Wahl des richtigen Modells hängt letztendlich von den spezifischen Anforderungen des jeweiligen Anwendungsfalls ab. Während das xLSTM in den meisten Szenarien die besten Ergebnisse liefert, kann für kurzfristige Prognosen mit begrenzten Ressourcen ein einfacheres Modell wie ein FCN oder LSTM die effizientere Wahl sein. Bei RAUSCH Technology setzen wir auf einen individuellen Ansatz, der die Stärken verschiedener Modelle evaluiert, um für jede Situation die optimale Lösung zu bieten.
4. Herausforderungen und Lösungsansätze
Die Implementierung präziser Verbrauchsvorhersagen für Wärmelasten ist mit einer Reihe von Herausforderungen verbunden, die wir bei RAUSCH Technology durch innovative Lösungsansätze adressieren.
Heterogene Zeitreihendaten
Eine der größten Herausforderungen liegt in heterogenen Daten. Anders als in kontrollierten Laborumgebungen arbeiten wir mit Daten aus verschiedenen Gebäuden mit unterschiedlichen Charakteristika – von Wohngebäuden über Bürokomplexe bis hin zu Industrieanlagen [3, 21]. Diese Gebäude unterscheiden sich nicht nur in ihrer Größe und Bauweise, sondern auch in ihren Nutzungsprofilen und installierten Heizsystemen.
Unsere Lösung besteht in der Entwicklung adaptiver Modelle, die in der Lage sind, gebäudespezifische Merkmale zu erkennen und zu berücksichtigen. Durch die Integration von externen Faktoren in den Trainings- und Testprozess, kann dieses Wissen ohne zu Verfallen genutzt werden um eine individualisierte Lösung anzubieten. Weiterhin können vortrainierte Modelle bei Gebäuden mit unzureichender Datenlage eingesetzt werden, um von ihrem erworbenen Wissen zu profitieren.
Integration externer Faktoren
Wetterdaten sind für die Vorhersage von Wärmelasten von entscheidender Bedeutung, stellen aber gleichzeitig eine Herausforderung dar. Die Qualität und Verfügbarkeit von Wettervorhersagen variiert stark, und selbst kleine Abweichungen können zu erheblichen Fehlern in der Verbrauchsprognose führen [19].
Wir begegnen dieser Herausforderung durch einen mehrstufigen Ansatz: Zum einen integrieren wir Daten aus verschiedenen Wettermodellen, um die Robustheit zu erhöhen. Zum anderen haben wir Methoden entwickelt, die die Unsicherheit in den Wettervorhersagen explizit modellieren und in die Verbrauchsprognose einbeziehen. Unsere Benchmarks haben gezeigt, dass insbesondere das xLSTM-Modell eine bemerkenswerte Robustheit gegenüber verrauschten Wetterdaten aufweist [19].
Datenqualität und -verfügbarkeit
In der Praxis sind wir oft mit unvollständigen oder fehlerhaften Daten konfrontiert. Sensoren fallen aus, Kommunikationsprobleme führen zu Datenlücken, und manchmal stehen für neue Gebäude nur begrenzte historische Daten zur Verfügung.
Unsere Forschung hat gezeigt, dass moderne Deep-Learning-Modelle erstaunlich gut mit reduzierten Trainingsdaten umgehen können. In einem Experiment konnten wir nachweisen, dass das xLSTM selbst bei einer Reduzierung der Trainingsdaten um 50% noch akzeptable Ergebnisse liefert [19]. Kleine Datenlücken können durch simple Imputationsverfahren wie lineare Interpolation ergänzt werden, um so die Kontinuität der Zeitreihen sicher zu stellen.
Die Bewältigung dieser Herausforderungen erfordert einen ganzheitlichen Ansatz, der technologische Innovation mit domänenspezifischem Wissen verbindet. Bei RAUSCH Technology investieren wir kontinuierlich in die Weiterentwicklung unserer Methoden, um den steigenden Anforderungen an Präzision und Zuverlässigkeit gerecht zu werden.
5. Zukunftsperspektiven
Die Zukunft der Verbrauchsvorhersage liegt in der Konvergenz verschiedener Technologien und Ansätze. Basierend auf unseren Forschungsergebnissen und Marktbeobachtungen zeichnen sich mehrere vielversprechende Entwicklungsrichtungen ab.
Hybride Modellarchitekturen
Unsere Benchmarks haben gezeigt, dass verschiedene Modelle in unterschiedlichen Szenarien ihre Stärken ausspielen. Während ein einfaches FCN bei Vorhersage täglicher Wärmelasten mit komplexen Modellen mithalten kann, zeigt das xLSTM Vorteile bei stündlichen Prognosen [19]. Die logische Konsequenz ist die Entwicklung hybrider Architekturen, die die Stärken verschiedener Modelle kombinieren. Ein besonders vielversprechender Ansatz ist die Integration des xLSTM mit fortschrittlichen Feature-Extraktionsmethoden, wie sie im TFT-Modell zum Einsatz kommen [19].
Probabilistische Prognosen
Bisher haben wir uns hauptsächlich auf Punktprognosen konzentriert – also die Vorhersage eines konkreten Werts für den zukünftigen Verbrauch. Die nächste Generation von Prognosesystemen wird verstärkt auf probabilistische Ansätze setzen, die nicht nur einen Wert, sondern eine Wahrscheinlichkeitsverteilung liefert. Der TFT ist ursprünglich für dieses Problem konzipiert.
Diese Entwicklung ist besonders relevant für die Integration erneuerbarer Energien, deren Verfügbarkeit naturgemäß mit Unsicherheiten behaftet ist. Durch probabilistische Prognosen können Risiken besser abgeschätzt und robustere Entscheidungen getroffen werden.
Integration in ganzheitliche Energiemanagementsysteme
Die wahre Kraft der Verbrauchsvorhersage entfaltet sich erst in der Integration mit anderen Komponenten eines intelligenten Energiemanagementsystems. In Zukunft werden wir verstärkt an der nahtlosen Verbindung von Prognose, Optimierung und Steuerung arbeiten.
Ein vielversprechender Ansatz ist die Kombination von Verbrauchsvorhersagen mit modellprädiktiver Regelung (MPC), die es ermöglicht, den Betrieb von Heizungsanlagen vorausschauend zu optimieren. Durch die Integration von Marktdaten können zudem wirtschaftliche Aspekte wie variable Stromtarife oder Netzentgelte berücksichtigt werden.
Foundation Modelle für Zeitreihenprognosen
Eine revolutionäre Entwicklung im Bereich der Zeitreihenprognose sind Foundation Modelle – große, auf umfangreichen Datensätzen vortrainierte Modelle. Diese können für verschiedene Aufgaben feinabgestimmt werden, sind aber auch direkt auf das jeweilige Problem anwendbar. Ähnlich wie GPT oder BERT in der Sprachverarbeitung versprechen diese Modelle, das Paradigma der Zeitreihenanalyse grundlegend zu verändern [22]. Besonders hervorzuheben sind hier Ti-Rex [23] und TimesFM [24], welche speziell für die Zeitreihenprognose trainiert wurden. Die Integration solcher Foundation Modelle in Prognosesysteme kann vor allem nützlich sein für Anwendungsszenarien, wo wenige bis keine eigene Trainingsdaten vorliegen.
Bei RAUSCH Technology arbeiten wir bereits an der nächsten Generation von Energiemanagementsystemen, die diese Zukunftsvision Realität werden lassen. Unser Ziel ist es, nicht nur einzelne Gebäude zu optimieren, sondern ganze Energiesysteme intelligenter und nachhaltiger zu gestalten.
6. Fazit: Nachhaltige Energiezukunft durch intelligente Vorhersagen
Die Dekarbonisierung unserer Energiesysteme ist eine der größten Herausforderungen des 21. Jahrhunderts. Intelligente Verbrauchsvorhersagen spielen dabei eine Schlüsselrolle, indem sie die Grundlage für effiziente Ressourcennutzung und die Integration erneuerbarer Energien schaffen.
In diesem Blog haben wir gezeigt, wie moderne Methoden des maschinellen Lernens – insbesondere Transformer-Architekturen und das innovative xLSTM-Modell – die Genauigkeit und Zuverlässigkeit von Wärmelastprognosen revolutionieren. Unsere Benchmarks belegen, dass diese fortschrittlichen Modelle konventionelle Ansätze in den meisten Szenarien übertreffen und selbst unter herausfordernden Bedingungen robuste Ergebnisse liefern [19].
Die praktische Anwendung dieser Technologien bei RAUSCH Technology hat bereits zu beeindruckenden Ergebnissen geführt. Mit Energieeinsparungen von bis zu 24% in unserem KINERGY-Projekt [3] haben wir gezeigt, dass KI-basierte Optimierung nicht nur theoretisch interessant, sondern auch wirtschaftlich und ökologisch sinnvoll ist.
Doch wir stehen erst am Anfang dieser Entwicklung. Die Integration hybrider Modellarchitekturen, probabilistischer Prognosen und ganzheitlicher Energiemanagementsysteme wird das Potenzial intelligenter Verbrauchsvorhersagen weiter steigern. Auch versprechen Foundation Modelle eine neue Art der Problemlösung. Unser Ziel bei RAUSCH Technology ist es, diese Innovationen voranzutreiben und so einen Beitrag zu einer nachhaltigeren Energiezukunft zu leisten.
Wir laden Unternehmen und Organisationen ein, mit uns gemeinsam diesen Weg zu gehen. Ob Sie Betreiber von Gebäuden, Anbieter von Energiedienstleistungen oder Technologiepartner sind – durch die Integration intelligenter Verbrauchsvorhersagen können Sie nicht nur Ihre Betriebskosten senken, sondern auch aktiv zum Klimaschutz beitragen. Kontaktieren Sie uns, um zu erfahren, wie wir gemeinsam die Energieeffizienz Ihrer Systeme optimieren können.
Die Zukunft der Energieversorgung ist nachhaltig, intelligent und effizient – und sie beginnt mit präzisen Vorhersagen.
Quellen
[1] „Energy and climate“, Accessed: Jan. 1, 2025. [Online]. Available: https://www.bmz.de/en/issues/climate-change-and-development/energy-and-climate .
[2] T Pan. „Why heat is a challenge in the fight against climate change, and what we can do about it“, Accessed: Jan. 1, 2025. [Online]. Available: https://www.weforum.org/stories/2023/03/heat-heres-why-its-the-elephant-in-the-room-for-decarbonization/.
[3] K. Djebko et al., „Design and implementation of a decision integration system for monitoring and optimizing heating systems: Results and lessons learned“, Energies, vol. 17, no. 24, p. 6290, Jan. 2024, Number: 24 Publisher: Multidisciplinary Digital Publishing Institute, issn: 1996-1073. doi: 10.3390/en17246290. Accessed: May 23, 2025. [Online]. Available: https://www.mdpi.com/1996-1073/17/24/6290.
[4] Chou, J. S., & Telaga, A. S., „Real-time detection of anomalous power consumption,“ Renewable and Sustainable Energy Reviews, 2014.
[5] B. Auffarth, Machine Learning for Time-Series with Python: Forecast, predict, and detect anomalies with state-of-the-art machine learning methods. Birmingham, UK: Packt Publishing Ltd, 2021, p. 371, isbn: 9781801819626.
[6] Himeur, Y., Alsalemi, A., Bensaali, F., & Amira, A., „Building power consumption datasets: Survey, taxonomy and future directions,“ Energy and Buildings, 2020.
[7] X. Xu, J. E. Taylor, A. L. Pisello, and P. J. Culligan, „The impact of place-based affiliation networks on energy conservation: An holistic model that integrates the influence of buildings, residents and the neighborhood context“, Energy and Buildings, Cool Roofs, Cool Pavements, Cool Cities, and Cool World, vol. 55, pp. 637–646, Dec. 1, 2012, issn: 0378-7788. Accessed: May 23, 2025. [Online]. Available: sciencedirect.com/science/article/abs/pii/S037877881200463X.
[8] T. Hong, P. Pinson, Y. Wang, R. Weron, D. Yang, and H. Zareipour, „Energy Forecasting: A Review and Outlook“, IEEE Open Access Journal of Power and Energy, vol. 7, pp. 376–388, 2020, Conference Name: IEEE Open Access Journal of Power and Energy, issn: 2687-7910. Accessed: Jan. 2, 2025. [Online]. Available: https://ieeexplore.ieee.org/document/9218967?arnumber=9218967.
[9] Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I., „Attention is all you need,“ Advances in Neural Information Processing Systems, 2017.
[10] Beck, D., Haffner, J., Sanh, V., Kreutzer, J., & Uszkoreit, J., „xLSTM: Extended Long Short-Term Memory,“ arXiv preprint, 2024. [Online]. Available: https://arxiv.org/abs/2405.04517 .
[11] B. Lim and S. Zohren, Time series forecasting with deep learning: A survey, Sep. 27, 2020. doi:10.48550/arXiv.2004.13408. arXiv: 2004.13408. Accessed: Nov. 29, 2024. [Online]. Available: http://arxiv.org/abs/2004.13408 .
[12] B. Auffarth, Machine Learning for Time-Series with Python: Forecast, predict, and detect anomalies with state-of-the-art machine learning methods. Birmingham, UK: Packt Publishing Ltd, 2021, p. 371, isbn: 9781801819626.
[13] I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. MIT Press, 2016, http://www.deeplearningbook.org .
[14] H. Zhou et al., Informer: Beyond efficient transformer for long sequence time-series forecasting, Mar. 28, 2021. Accessed: Nov. 29, 2024. [Online]. Available: https://arxiv.org/abs/2012.07436 .
[15] B. Lim, S. O. Arik, N. Loeff, and T. Pfister, Temporal fusion transformers for interpretable multi-horizon time series forecasting, 2020. arXiv: 1912.09363 [stat.ML]. [Online]. Available: https://arxiv.org/abs/1912.09363 .
[16] E. Box George, M Jenkins Gwilym, C Reinsel Gregory, and M Ljung Greta, „Time series analysis: Forecasting and control“, 1970.
[17] G. E. Box and G. C. Tiao, „Intervention analysis with applications to economic and environmental problems“, Journal of the American Statistical association, vol. 70, no. 349, pp. 70–79, 1975.
[18] E. S. Gardner Jr, „Exponential smoothing: The state of the art“, Journal of forecasting, vol. 4, no. 1, pp. 1–28, 1985.
[19] Wahl, M., „Benchmarking Transformer and xLSTM on Time-series Forecasting for Heat Data,“ Master’s Thesis, 2025.
[20] Hochreiter, S., & Schmidhuber, J., „Long Short-Term Memory,“ Neural Computation, 1997.
[21] KI in Fernwärme, https://future-energy-lab.de/projects/ki-in-fernwaerme/ , Accessed: 23.05.2025.
[22] Bommasani, R., Hudson, D. A., Adeli, E., Altman, R., Arora, S., von Arx, S., et al., „On the Opportunities and Risks of Foundation Models,“ arXiv preprint arXiv:2108.07258, 2021.
[23] Auer, Andreas, et al. „TiRex: Zero-Shot Forecasting Across Long and Short Horizons with Enhanced In-Context Learning.“ arXiv preprint arXiv:2505.23719 (2025).
[24] Das, Abhimanyu, et al. „A decoder-only foundation model for time-series forecasting.“ Forty-first International Conference on Machine Learning. 2024.
