Wetterdaten können wertvolle Erkenntnisse über Verbrauchs- und Produktionsmuster für verschiedene Branchen liefern, insbesondere wenn es um Verbrauchs- und Produktionsprognosen auf Grundlage historischer Daten geht. Durch die Nutzung unserer historischen und aktuellen Wetterdaten haben Unternehmen viele verschiedene Möglichkeiten, ihre maschinellen Lern- und KI-Tools sehr schnell und effizient zu trainieren und so bessere Vorhersagen zu treffen. Dies führt zu erheblichen Verbesserungen in der Planung, Effizienzsteigerungen sowie zu Kosteneinsparungen.

Meteomatics war begeistert von der Idee, seinen TV-Index und andere Parameter innerhalb der Wetter-API den Datenwissenschaftlern des Naturmuseums St. Gallen zur Verfügung zu stellen, um dem Museum zu helfen, seine Ressourcen besser zu planen, indem es die Beziehung zwischen Wetter und Besucherzahlen versteht.

  • Der Meteomatics TV Index identifiziert "schlechtes Wetter", das die Menschen dazu bringen könnte, mehr fernzusehen und somit eher zu Hause zu bleiben.
  • Der Index variiert zwischen 0 und 1, wobei 0 schönes Wetter und 1 regnerisches und stürmisches Wetter beschreibt.

Die folgende Abbildung zeigt ein Beispiel dafür, wie unser TV-Index aussieht:

Grafik 1: Beispiel für unseren TV-Index: je höher der Indexwert, desto höher die Wahrscheinlichkeit, dass die Menschen zu Hause bleiben, um fernzusehen.

Der TV-Index von Meteomatics liefert eine Korrelation zwischen dem Wetter und der Anzahl der Personen, die voraussichtlich fernsehen werden. Der Index umfasst eine Kombination von Wettertypen (Niederschlag, Sichtweite, Windgeschwindigkeit, Sonnenscheindauer und Windchill), die dazu führen könnten, dass mehr Menschen aufgrund von "schlechtem Wetter" zu Hause bleiben und fernsehen.

Die Datenwissenschaftler, die an dem Projekt arbeiteten, konnten den Meteomatics TV Index mit zwei Jahren historischer Besucherzahlen kombinieren, um das maschinelle Lernvorhersagemodell zu trainieren, wobei Wochentage, Wochenenden/Feiertage unterschiedlich behandelt wurden und eine nicht-lineare Regressionsmethode zur Modellierung der Beziehung verwendet wurde (einschließlich anderer Wetterparameter, die ebenfalls eine Rolle spielen).

Das Projektteam stellte eine starke Korrelation zwischen ungünstigen Wetterbedingungen und der Anzahl der Museumsbesucher fest (Wochenenden und Feiertage 0,71 und Wochentage und keine Feiertage schwächer bei 0,53).

Grafik 2: Meteomatics TV Index & Besucherzahlen an Wochenenden und Feiertagen

Grafik 3: Meteomatics TV Index & Besucherzahlen an Wochentagen und Feiertagen

Diese Erkenntnisse haben die Betriebsplanung des Museums verändert und ermöglichen dem Naturmuseum St.Gallen eine genauere Vorhersage der Besucherzahlen und eine Verbesserung des Besuchererlebnisses. Die Vorhersage ermöglicht es dem Museum, seine Ressourcenplanung zu verbessern und damit auch Kosten zu sparen. Wenn die Ressourcen auf die Besucherzahlen abgestimmt werden (Umsatz-Optimierung), profitiert nicht nur das Museum, sondern auch das Erlebnis der Besucher wird verbessert (z.B. genügend Personal in der Cafeteria, ausreichende Menge an Snacks und Getränken usw.).

Grafik 4: Prognostizierte und beobachtete Besucherzahlen im Naturmuseum St.Gallen

Der TV-Index von Meteomatics ist ein gutes (aber auch einfaches) Beispiel dafür, wie Meteomatics Daten das maschinellen Lernens unterstützt, indem Wetterdaten mit anderen sekundären Datenquellen korreliert werden, um Nachfrage und Besucherzahlen vorherzusagen. Tatsächlich beobachtet Meteomatics, dass Unternehmen aus verschiedensten Branchen die Meteomatics API für ihre eigenen Nachfragemessungen nutzen, um ihre eigenen Nachfrageprognosen zu optimieren.

Meteomatics hat sich darauf spezialisiert, Wetterdaten für Meteomatics' API-Kunden nützlicher und relevanter zu machen. Dies wird erreicht, indem spezfische Wetterparameter erstellt werden, aber auch mit Indizes, die die Auswirkungen des Wetters auf das menschliche Verhalten weltweit in Beziehung setzen, wie z.B. günstiges Wetter für ein BBQ, einen Strandbesuch, Radfahren, Skifahren, Gartenarbeit und vieles mehr.

Zusätzlich zu unseren speziellen Parametern gibt es natürlich auch die Möglichkeit, reine historische Wetterdaten (mit über 18'000 Parametern) für jeden Ort der Welt zu erhalten und damit eigene Indizes zu erstellen. Angenommen, Sie haben die historischen Verbrauchsdaten, Besucherzahlen oder Reparaturzahlen für einen bestimmten Ort (oder für mehrere Orte), können Sie diese mit den entsprechenden Wetterdaten (und möglicherweise mit noch mehr Daten) kombinieren und Ihr maschinelles Lernen auf sehr schnelle und effiziente Weise trainieren. Dies wird zu unmittelbaren Ergebnissen in Form besserer Vorhersagen führen. Natürlich führen genauere Daten zu besserem Lernen und damit zu besseren Vorhersagen, weshalb die Meteomatics-Daten besonders wertvoll für effizientes und hochwertiges maschinelles Lernen sind. Neben der Vorhersage von Besucherzahlen umfassen die Möglichkeiten historischer und aktueller Wetterdaten für maschinelles Lernen auch autonomes Fahren, Navigation und Fliegen, Verbrauchsprognosen für den Einzelhandel, KI-basierte Risikobewertung für Versicherungen, vorausschauende Wartung, Energiebedarfs- und Produktionsprognosen und vieles mehr.

Andere Projekte, bei denen Meteomatics-Daten bereits zur Verbesserung des maschinellen Lernens und der KI eingesetzt wurden, umfassen Energiebedarfs- und Produktionsprognosen, Logistikmanagement (digitales Flottenmanagement), Kapazitätsplanung in Krankenhäusern und dynamische Risikobewertung. Wenn Sie daran interessiert sind, mehr über diese Projekte zu erfahren, wenden Sie sich bitte an [email protected]

Besuchen Sie unseren Data-Shop, um historische Daten für spezifische Parameter, Zeitreihen und Standorte direkt zu beziehen oder wenden Sie sich an [email protected], wenn Sie mehr über das Potenzial historischer und aktueller Wetterdaten erfahren möchten, um Ihr maschinelles Lernen schnell und mit qualitativ hochwertigen Daten zu verbessern. Wir beraten Sie gerne, um die perfekten Daten für Ihr Projekt zu finden.