20 
2.2.3. Zeitmuster 
Als Zeitmuster werden die zeitlichen Strukturen verstanden, die bestimmten statistischen 
Modellen unterliegen. Die in Kap.2.2.2 beschriebenen Strukturen der multiregressiven statistischen 
Modelle werden z.B. als multiregressive Zeitmuster bezeichnet. Werden die Zeitmuster mit 
den neuronalen Netzen verknüpft, werden diese Verknüpfungen als neuronale "Modelle" 
bezeichnet. (Kap.3 und Kap.5). Auf diese Weise entstehen multiregressive, autoregressive und 
klassifizierende neuronale Modelle. 
Klassifizierende und multiregressive Zeitmuster können auf zweierlei Weise miteinander 
kombiniert werden. Erstens können beide Muster einfach überlagert werden. D.h. nur der 
Prognosezeitraum des multiregressiven Musters kann von bisher einem Zeitpunkt auf mehrere 
Zeitpunkte ausgedehnt werden [Boogaard 95 pers. Komm.]. Da in der Literatur kein anderer 
Name aufgefallen ist, wird vorgeschlagen, dieses L-förmige Muster als Regression-plus- 
Window Zeitmuster zu bezeichnen. Bei den neuronalen Modellen, die aus der Verknüpfung 
dieses Zeitmusters mit den neuronalen Netzen entstehen, ist wie bei den univariaten Modellen 
keine Zusatzprognose erforderlich. Außerdem sind auch hier Darstellungs- und Vorhersage 
fehler identisch. 
Zweitens können nicht nur der Prognosezeitraum des multiregressiven Musters, sondern 
auch die Indikationszeiträume jeweils auf mehrere Zeitpunkte ausgedehnt werden. Da auch 
in diesem Fall in der Literatur kein anderer Name aufgefallen ist, wird vorgeschlagen, diese 
Struktur als Multi-Window Zeitmuster zu bezeichnen. Solch ein Muster hat den Vorteil, daß 
Wechselwirkungen zwischen unterschiedlichen Zeitpunkten der verschiedenen Indikations 
und Prognosezeitreihen erfaßt werden können. Bei den entsprechenden neuronalen Modellen 
ist wie bei den multiregressiven Modellen ebenfalls eine Zusatzprognose erforderlich. 
In die multivariaten Modelle (multiple Regression, Regression-plus-Window und Multi- 
Window) können Zeitreihen von verschiedenen meteorologischen Größen einfließen. Die 
Größen können mehrfach zu unterschiedlichen Zeitpunkten verwendet werden. Im Gesamt 
ansatz wird z.B. der statische Luftdruck zweimal benutzt (Formel [2.1]). Es ist möglich, auch 
gleiche Größen von unterschiedlichen Meßorten zu verwenden. Somit wird die zeitliche 
Struktur der Zeitmuster auf eine geographisch-zeitliche Struktur hin erweitert. Wie die Zeit 
punkte der Messungen werden auch die geographischen Koordinaten der Meßorte in diesem 
Zeitmuster nicht explizit berücksichtigt (im Gegensatz zu den hydrodynamischen Verfahren, 
in denen die Größen mittels raum-zeitlicher Koordinaten definiert werden). 
Nicht nur für das multiregressive, sondern auch für das Multi-Window Modell ist eine 
Zusatzprognose für jeden Indikationszeitraum erforderlich. Auch bei diesem Modell wird das 
Problem der Vorhersage verlagert (Kap.2.2.1). Zu den Indikationszeitreihen gehört u.a. der 
vektorielle Wind. Es ist einerseits möglich, zusätzlich zu den Vorhersagen des Seewetter 
amtes und des Deutschen Wetterdienstes die Komponenten des Windvektors (Richtung und 
Geschwindigkeit) jeweils separat mit Hilfe eines klassifizierenden neuronalen Modells vorher 
zusagen. Andererseits können beide Komponenten zusammen mit Hilfe eines doppelklassifi 
zierenden neuronalen Modells gleichzeitig vorhergesagt werden (Kap.5). Da der Wind nur 
eine einzige meteorologische Größe darstellt, sei dies Modell unter die univariaten Modelle 
eingeordnet. 
In Abb.2.7 wird in graphisch anschaulicher Weise dargestellt, wie die Zeitmuster (siehe 
den Pfeil jeweils) aus den einzelnen Indikations- und Prognosezeitreihen zusammengesetzt 
werden. Die doppelten senkrechten Striche in jedem Muster trennen die Indikationszeiträume 
von den Prognosezeiträumen. Durch die Striche wird der Bezugszeitpunkt jedes Musters 
angedeutet. Bei den Mustern mit mehr als einem Zeitpunkt in den Prognosezeiträumen ent-