Nachfrageprognosen sind von signifikanter Bedeutung für die Wirtschaftlichkeit produzierender Unternehmen, da sie die Grundlage für die Produktionsplanung und somit insbesondere für die Planung der zu produzierenden Produktmengen sowie der dafür benötigten Rohstoffe, Hilfsstoffe und Produktionskapazitäten bilden. Die Produktpaletten vieler Unternehmen umfassen oft tausende bis zehntausende von Produkten, für die die Kundennachfrage in regelmäßigen Zeitabständen prognostiziert werden muss. Da in verschiedenen Studien nachgewiesen wurde, dass kein Prognosemodell existiert, welches für alle Arten von verschiedenen Nachfrageverläufen geeignet ist, ist die aggregierte Selektion eines einzelnen Prognosemodells für alle vorliegenden Nachfrageverläufe nicht sinnvoll. Als Best Practice Methode in der Industrie werden diverse Prognosemodelle für jede Zeitreihe der Kundennachfrage trainiert und anschließend wird jeweils das individuelle Prognosemodell selektiert, welches für eine bestimmte Zeitreihe den geringsten Trainings- oder Validierungsfehler aufweist. Dieses Vorgehen ist sehr aufwendig und liefert dennoch nicht stets zufriedenstellende Ergebnisse. Zur Erreichung besserer Selektionsergebnisse wird in diesem Vortrag ein Metalernansatz präsentiert, bei dem ein Neuronales Netz trainiert wird, um basierend auf Charakteristika der Zeitreihen und der zur Verfügung stehenden Prognosemodelle die individuelle Eignung dieser Modelle zur Prognose einer Zeitreihe vorherzusagen. Anhand der Industriedaten der NN3-Competition wird demonstriert, dass der Metalernansatz bessere Prognoseergebnisse als industrielle Best Practices zur Modellselektion sowie Benchmarks aus der Wissenschaft erzielt.
