Diese Arbeit gliedert sich in zwei Teile die aufeinander aufbauen. Zunächst werden fünf
generative Verfahren zur kurzzeitigen Vorhersage von Raten entwickelt. Die Modelle verwenden
dabei unterschiedliche Glättungskomponenten um Rauschen und Ausreißern in den Daten
entgegenzuwirken und kombinieren diese mit Bayes'schen Trainingsverfahren. So erhalten die
Techniken Vorteile beider Welten: Aufgrund des Bayes'schen Updates der Modellparameter sind die
Verfahren stochastisch fundiert und durch die einfachen Arten der Glättung unterschiedlich
robust gegenüber Störungen in den Daten sowie schnell zu trainieren und einfach
parametrisierbar. Anhand mehrerer künstlicher und realer Datensätze insbesondere aus dem
Bereich des Suchmaschinenmarketing werden die Vorhersagequalität und die Laufzeit der
Verfahren evaluiert und mit den Ergebnissen von nicht-generativen Modellen sowie mehreren
Varianten einer Support Vector Regression verglichen. Die Qualität der Vorhersagen der
generativen Modelle ist ähnlich hoch wie bei ihren nicht-generativen Varianten die Laufzeit
ist etwas höher. Da die entwickelten generativen Modelle auf Wahrscheinlichkeitsverteilungen
aufbauen lässt sich jedoch auf Basis der Varianz der Verteilungen leicht die Unsicherheit
erstellter Vorhersagen einschätzen. Eine Vorhersage wird dabei als umso sicherer bewertet auf
je mehr beobachteten Daten sie aufbaut. Besonders bei Anwendungen wie dem
Suchmaschinenmarketing wo täglich für Hunderttausende Keywords Vorhersagen zu erstellen sind
ist eine solche Unsicherheitsabschätzung wichtig um bei zu unsicheren Vorhersagen z. B. einen
menschlichen Experten hinzuziehen zu können. Einige Varianten der Support Vector Regression
liefern je nach Datensatz leicht bessere Vorhersageergebnisse als die generativen Modelle die
Laufzeit liegt jedoch um mehrere Größenordnungen höher insbesondere bei Berechnung von
Unsicherheitsabschätzungen. Im zweiten Teil dieser Arbeit wird untersucht wie für sehr
anwendungsspezifische Begriffe Ähnlichkeiten berechnet werden können und ob sich diese
Ähnlichkeiten zur Steigerung der Vorhersagequalität nutzen lassen. Für einen Anwendungsfall aus
dem Suchmaschinenmarketing wird dazu eine Ontologie und ein darauf aufbauendes Ähnlichkeitsmaß
entwickelt. Im Vergleich mit bekannten Ähnlichkeitsmaßen erzielt die Kombination aus
anwendungsspezifischer Ontologie und Ähnlichkeitsmaß die höchste Übereinstimmung mit von
Menschen vergebenen Ähnlichkeitswerten die in einer Befragung unter 183 Teilnehmern ermittelt
wurden. Zunächst sind mithilfe der errechneten Ähnlichkeiten im Anwendungsfall des
Suchmaschinenmarketings auch fundierte Vorhersagen möglich wenn für einzelne Keywords gar
keine historischen Daten vorliegen. In diesem Fall können die Daten von ähnlichen Keywords zum
Training eines Vorhersagemodells herangezogen werden. Liegen dagegen bereits historische Daten
vor kann die Nutzung der Daten ähnlicher Keywords weiterhin zu einer Verbesserung der
Vorhersagen führen. Ein Vergleich zweier unterschiedlicher Vorgehensweisen zur Berücksichtigung
von Daten ähnlicher Keywords zeigte dass die Aggregation der Daten mit anschließendem Training
eines Gesamtvorhersagemodells bessere Ergebnisse liefert als das separate Training mehrerer
Modelle mit anschließender Aggregation der Vorhersagen. Bei einer Menge von 20 Beispielkeywords
führte erstere Vorgehensweise in den meisten Fällen im Mittel zu einer Verbesserung der
Vorhersagen während letztere Vorgehensweise die Vorhersagen fast immer und zum Teil deutlich
verschlechterte.
