137
In 80% dieser Fälle lag die Verbesserung zwischen null und zwei Zentimetern. Dabei bezieht
sich die Verbesserung auf die jeweils verwendete Maximalzahl der Lernvektoren. Da diese
Zahl bei den MW- und RW-Modellen kleiner gewählt wurde als bei den MR-Modellen, wirkt
sich folglich eine Erhöhung der Anzahl Lernvektoren bei den ersteren Modellen effektiver
aus als bei den letzteren.
Die ganze vorige Diskussion der Validations- und Vorhersagefehler wird aber leider
hinfällig, wenn man die Vorhersagefehler in Tab.5.7, die für den Operationellen Einsatz der
Modelle den Ausschlag geben, mit dem Vorhersagefehler des KL-Modells vergleicht. Alle
Vorhersagefehler der MW-, RW- und MR-Modelle sind größer oder gleich 24 cm und damit
mindestens 2 cm größer als der Vorhersagefehler des univariaten KL-Modells. Der Vorhersa
gefehler des KL-Modells selbst ist immerhin 1 cm kleiner als der des Gesamtansatzes, der
mit allen Größen auf die Vorhersage von stündlichen Stauwerten angewandt wurde. Somit
gilt das KL-Modell als der Sieger im Wettbewerb um die beste Vorhersage von stündlichen
Stauwerten. Nichtsdestoweniger gelten nach wie vor die Zwischenergebnisse, die mit Hilfe
des MW-Modells erreicht wurden. Es wurde die in Kap.4.1.2 vorgestellte Behandlung des
Windes, d.h. die vektorielle Mittelung des Windes, und die in Kap.2.1.3 vorgestellte Reihen
folge der Bedeutung der meteorologischen Größen bestätigt. Außerdem wurde auf die Wind
richtung hingewiesen, die im Vergleich zur Windgeschwindigkeit größere Bedeutung hat.
Mit dem Scheitern des RW- und des MW-Modells wird die Festlegung des MW-Zeitmu-
sters in Kap.5.2 im nachhinein gerechfertigt. Das RW-Modell und das in Kap.5.2 festgelegte
MW-Modell können als "Eckmodelle" von theoretisch denkbaren MW-Modellen aufgefaßt
werden, deren Indikationszeiträume in ihren Längen jeweils zwischen 1 und 18 variiert
werden. Das RW-Modell mit Längen gleich eins wäre dann - vom Zeitversatz abgesehen -
ein "Minimum-MW-Modell"und das MW-Modell mit Längen gleich 18 - vom zusammen
gefaßten Luftdruck abgesehen - ein "Maximum-MW-Modell" (Kap.5.2). Da diese Eckmodelle
einen hohen Vorhersagefehler aufweisen (Tab.5.7), ist auch von den MW-Modellen mit zwi
schen den Eckmodellen variierten Längen ein Vorhersagefehler von ähnlicher Höhe wie bei
den Eckmodellen selbst zu erwarten. Da aber die Vorhersagefehler der Eckmodelle bereits
größer als der Vorhersagefehler des KL-Modells sind, kann man sich die Variation der
Längen der Indikationszeiträume des MW-Modells sparen. Da die Indikationszeiträume im
wesentlichen so lang wie der Prognosezeitraum gewählt wurden - vom Luftdruck abgese
hen -, ist die gleichbehandelnde Metrik, die für die Variation dieser Längen entwickelt wurde,
bei dem in Kap.5.2 festgelegten MW-Modell fast wirkungslos (Kap.3.6.4).
Über die Bestimmung des KL-Modells als Sieger für die Vorhersage von stündlichen
Werten hinaus kann man noch folgendes aus den Ergebnissen lernen, die in diesem Abschnitt
vorgestellt wurden. Bei der Vorstellung der Ergebnisse des KL-Modells wurde dargestellt,
daß der Vorhersagefehler mit zunehmender Länge des Indikationszeitraums steigt. Da der
Prognosezeitraum bei allen Modellen (bis auf das MR-Modell) konstant bei einer Länge von
18 Zeitpunkten gehalten wurde, kann dieses Ergebnis auch so interpretiert werden, daß der
Vorhersagefehler mit zunehmender Gesamtlänge der Lernvektoren steigt. Es sieht so aus, daß
die Kohonen-Netze bei längeren Lernvektoren größere Mühe haben, die für die Vorhersage
wichtige Information während der Lernphase herauszufiltern.
Der Wasserstandsvorhersagedienst hat die Erfahrung gemacht, daß der Wind für eine gute
Stauprognose unumgänglich ist. Zwar berechnet der Dienst auch Trends aus den Staus der
letzten Hoch- und Niedrigwasser, diese reichen aber in den meisten Fällen nicht für eine gute
Stauprognose aus. Aufgrund dieser Erfahrung des Dienstes sollte die Miteinbeziehung des
Windes in ein neuronales Modell einen im Vergleich zum KL-Modell kleineren Vorhersage
fehler liefern. Der Validationsfehler eines MW-Modells, das mit Stau- und Winddaten
