Masterarbeit: KI- und ML-Techniken zur kurzfristigen Prognose von Energiepreisen

Weiterentwicklung von KI- und ML-Techniken zur kurzfristigen Prognose von Energiepreisen – Benchmarking von Deep Learning, Ensemble-Methoden und generativen Modellen für verbesserte Vorhersagegenauigkeit

Thema:

Möchten Sie modernste Methoden der künstlichen Intelligenz und des maschinellen Lernens anwenden, um reale Herausforderungen im Energiesektor zu lösen? ⚡Wir suchen einen motivierten Masterstudenten, der innovative Ansätze zur Prognose von Energiepreisen erforscht und benchmarkt.

In dieser Arbeit bewerten Sie kritisch alternative ML- und KI-Techniken — einschließlich, aber nicht beschränkt auf Deep Learning, Ensemble-Modelle und generative KI — im Vergleich zu unserer aktuellen Prognoselösung. Ihr Ziel ist es, Methoden zu identifizieren, zu implementieren und zu validieren, die die Prognosegenauigkeit, Robustheit oder Interpretierbarkeit verbessern können.

Ziel:

• Führen Sie eine umfassende Literaturrecherche durch, um die neuesten Methoden in diesem Bereich zu identifizieren.
• Überprüfen und analysieren Sie das aktuelle ML-basierte Werkzeug zur Energiepreisprognose.
• Forschen und implementieren Sie alternative ML-/KI-Ansätze (z. B. LSTM, Transformer, XGBoost, Hybridmodelle, erklärbare KI).
• Entwerfen und führen Sie Benchmarking-Experimente zum Vergleich der Modelle durch.
• Analysieren Sie die Ergebnisse und liefern Sie umsetzbare Erkenntnisse zur Modellverbesserung, dokumentieren und präsentieren Sie Ihre Arbeit.

Ihr Profil:

• Masterstudent in Data Science, Quantitative Finance, Elektrotechnik, Mathematik, Physik oder einem verwandten quantitativen Fachgebiet
• Fundiertes Verständnis von maschinellem Lernen und/oder künstlicher Intelligenz mit praktischer Erfahrung in der Entwicklung und Bewertung von ML-Modellen sowie im Umgang mit Zeitreihendaten, Datenvorverarbeitung und Feature Engineering.
• Solide Kenntnisse in Statistik, Wahrscheinlichkeitsrechnung und linearer Algebra.
• Kenntnisse in Python, einschließlich Erfahrung mit relevanten ML-Bibliotheken wie scikit-learn, pandas, TensorFlow oder PyTorch.
• Fähigkeit, Hypothesen zu formulieren, Experimente zu entwerfen und Ergebnisse kritisch zu interpretieren. Starke schriftliche und mündliche Kommunikationsfähigkeiten in Englisch.
• Vertrautheit mit Energiesystemen und Energiemärkten ist von Vorteil, aber nicht erforderlich.

Beginn: So bald wie möglich