Beginn: Ab sofort

Erstbetreuer: Prof. Dr. Heisenberg

Zweitbetreuer: Dr. Akdag

Niveau: Bachelor- oder Masterarbeit

Problemstellung:
Viele Anwendungen – ob in der Finanzwirtschaft, Technik oder Medizin – basieren auf der Analyse zeitlicher Signale. Neben der klassischen Prognoseaufgabe (Forecasting) gewinnt die automatische Identifikation charakteristischer Zeitreiheneigenschaften zunehmend an Bedeutung. Dazu zählen z. B.:

• stationäre vs. nicht-stationäre Abschnitte,
• Trendsegmente,
• Umkehrpunkte (Turning Points),
• Transienten oder Sprünge,
• periodische Muster.

Diese Strukturen lassen sich oft nur schwer durch manuelle Analyse oder klassische Algorithmen erfassen. Hidden-Markov-Modelle (HMMs) bieten hier einen probabilistischen Ansatz, um latente Zustände in Zeitreihen zu modellieren und zur Klassifikation struktureller Eigenschaften zu nutzen.

Ziel der Arbeit:
Ziel der Arbeit ist die Entwicklung eines Ansatzes auf Basis von Hidden-Markov-Modellen zur automatisierten Klassifikation und Segmentierung strukturierter Abschnitte innerhalb von Zeitreihen. Mögliche Ansätze beinhalten:

• die Modellierung verschiedener Zeitreihen als Folge latenter Zustände mittels HMMs,
• die Schätzung der Modellparameter (z. B. via Baum-Welch-Algorithmus),
• die Zustandsdekodierung (z. B. mittels Viterbi-Algorithmus) zur Klassifikation von Zeitreihensegmenten,
• die Evaluierung der Ergebnisse gegenüber etablierten Verfahren (z. B. statistische Tests oder heuristische Segmentierungsansätze).

Die Ergebnisse sollen über Streamlit interaktiv visualisiert werden.

Voraussetzungen:
Gute Python-Kenntnisse sowie Vorkenntnisse im Bereich Zeitreihenanalyse und Statistik sind erforderlich. Kenntnisse in probabilistischen Modellen sind von Vorteil.