128 
5.3. Vorhersage von stündlichen Stauwerten 
In diesem Abschnitt werden die Ergebnisse vorgestellt, die die Vorhersage von stündlichen 
Stauwerten betreffen. Es werden zwei grundsätzliche Möglichkeiten unterschieden, stündliche 
Vorhersagen zu erstellen: Auf univariate Weise mit Hilfe des AR- und KL-Modells und 
multivariat mit Hilfe des MR-, RW- und MW-Modells in Kombination mit Zusatzprognosen 
(Kap.2.2.1 und Kap.5.4). 
5.3.1. Vorhersage mittels univariater Modelle 
Zuerst werden die Ergebnisse beschrieben, die sich mit Hilfe der univariaten Modelle 
ergaben. Es wird darauf hingewiesen, daß bei univariaten Modellen die Vorhersage- und 
Validationsfehler identisch sind (Kap.2.2.2). Im folgenden ist daher nur von Vorhersage 
fehlern die Rede. In Kap.4.2 wurde die Datenvorbereitung ausführlich beschrieben. Es wird 
an dieser Stelle gefragt, ob die Datenvorbereitung überhaupt einen Einfluß auf den Vorhersa 
gefehler der Kohonen-Netze nimmt. Wenn nein, wäre sie evtl, überflüssig. Darum wurden 
mit Hilfe des KL-Modells Vorhersagefehler auf solche Weise berechnet, daß die einzelnen 
Datenvorbereitungsschritte nach und nach in die gesamte Prozedur eingeführt wurden. Die 
sich so ergebenden Vorhersagefehler, die im Hindcast erstellt wurden, sind in Tab.5.3 
aufgeführt. 
Pegel (inkl. Gezeiten): 
34 
Stau (Pegel minus Gezeiten): 
24 
mit Trendreduktion: 
24 
mit nichtlinearer Transformation: 
24 
mit min. Länge des Indik.Zeitraums: 
23 = Fehler der Stauvorhersage mittels Persistenz 
mit gleichbehandelnder Metrik [3.9]: 
22 
Tab.5.3: Wasserstands Vorhersage mittels des KL-Modells. Mittlerer quadratischer Vorhersagefehler mrmse in 
cm. "mit" ist im Sinne von "zusätzlich" gemeint, d.h. der neue Verarbeitungsschritt gilt jeweils von seiner 
Einführung bis zum Ende der Tabelle. 
Deutlich ist der Sprung in dem mittleren quadratischen Vorhersagefehler (mrmse, [2.2], 
Kap.2.4.4) zu erkennen, der durch die Einführung der Subtraktion der Gezeitenvorausberech 
nungen bedingt ist (von 34 cm auf 24 cm). Diese Einführung bewirkt noch etwas anderes, 
was in Tab.5.3 nicht gezeigt wird. Bevor ein Kohonen-Netz trainiert wurde, wurde standard 
mäßig auch eine Vorhersage mit Hilfe des Nearest-Neighbor Verfahrens erstellt und der 
entsprechende Fehler berechnet. In allen in der vorliegenden Arbeit dargestellten Fällen war 
der Vorhersagefehler der Nearest-Neighbor Verfahren größer als der der entsprechenden 
Kohonen-Netze. Allerdings variierte die Differenz zwischen diesen Vorhersagefehlern, so daß 
aus dem Vorhersagefehler der Nearest-Neighbor Verfahren nicht auf den der Kohonen-Netze 
geschlossen werden konnte. Bei der Verwendung von Pegeldaten war der Vorhersagefehler 
der Kohonen-Netze 11% kleiner als der der Nearest-Neighbor Verfahren, bei der Verwendung 
von Staudaten einiges mehr, nämlich 26% kleiner. Aufgrund dieser Variation der Fehler 
differenzen können die Nearest-Neighbor Verfahren zwar nicht als Vorabschätzung des 
Vorhersagefehlers der Kohonen-Netze verwendet werden, aber immerhin als ein Bindeglied 
zwischen der Selektion (Kap.4.3) und den Kohonen-Netzen, das die Güte der selektierten