Icon

Workflow1

Deep-Learning Modelle

Datenaufbereitung

TRAININGS_DATEN

VALIDIERUNGS_DATEN

TEST_DATEN

Multi_Layer_Perceptron(MLP)
Long_Short-Term_Memory(LSTM)

Evaluation & Visualisierung

Erstellt mit KNIME Version 5.8.0

15%

15%

70%

Erstellung von Sliding Windows, indem für jede Zeile Lag-Spalten erzeugt wurden. Hierbei wurden vergangene Zeitpunkte als Lag-Features in separaten Spalten abgebildet.

LSTM verarbeitet die Sliding-Window-Sequenzen zur Modellierung zeitlicher Abhängigkeiten.

Training mit MSE als Fehlerfunktion

Multilayer Perceptron zur Vorhersage des Zielwerts anhand der Sliding-Window-Eingaben.

Training mit MSE als Fehlerfunktion

Input: 60Batch: 4
Keras Input Layer
Aufteilung 70/30
Table Partitioner
Column Renamer
Units: 128ReLu
Keras Dense Layer
Units: 64ReLu
Keras Dense Layer
txt.-Datei einlesen
File Reader
OutputUnits: 60 Linear
Keras Dense Layer
Lag Column
Column Renamer
Numeric Scorer
Lag Column
Units: 32TanhHard Sigmoid
Keras LSTM Layer
Prognose und Target Listen auflösen
Ungroup
Prognose und Target Listen auflösen
Ungroup
beide Modelle zusammenführen zum Vergleich
Joiner
Numeric Scorer
Line Plot
Aufteilung 50/50
Table Partitioner
Lag Column
Keras Network Executor
MSE
Keras Network Learner
OutputUnits: 60Linear
Keras Dense Layer
MSE
Keras Network Learner
Units: 64TanhHard Sigmoid
Keras LSTM Layer
Column Renamer
Output Prognose-Liste
Keras Network Executor
Steps: 60Dim.: 1Batch: 16
Keras Input Layer
Datenaufbereitung

Nodes

Extensions

Links