Alina Timmermann, M.Sc.
Telefon und E-Mail
Tel.: (+49) 231 755 - 5427
E-Mail: alina.timmermann (at) cs.tu-dortmund.de
Büro
Raum 207 / Raum 214
Otto-Hahn-Str. 16
Postanschrift
Lehrstuhl Informatik 4
TU Dortmund
Otto-Hahn-Straße 16
44227 Dortmund
Deutschland
- Stipendiat im interdisziplinären Graduiertenkolleg 2193 "Anpassungsintelligenz von Fabriken im komplexen und dynamischen Umfeld"
- Absatzprognose für große Industriedatensätze (Kooperation mit Joyson Safety Systems)
- Clustering von Zeitreihen und Ensemble Learning
- Glaubwürdige Absatzprognose, vertrauenswürdige Berechnung von Kennzahlen der Prognosegenauigkeit
- A. Timmermann, M. Abdulgader, L. Hagen, M. P. Milz, A. Wirtz, D. Biermann, W. Tillmann, F. Walther (2021), "Characterisation of arc-sprayed corrosion protection coatings post-treated by means of “machine hammer peening”", Thermal Spray Bulletin, Issue 01 (2021) Volume 14
- J. Baumann, A. Timmermann, D. Biermann (2021), "Generation of Predetermined Surface Structures by Simulation Based Process and Tool Design When Milling Free-Formed Surfaces", Sheet Bulk Metal Forming - TCRC73 2020. Lecture Notes in Production Engineering, Springer, DOI
- A. Timmermann, M. Abdulgader, L. Hagen, A. Koch, P. Wittke, D. Biermann, W. Tillmann, F. Walther (2020), "Effect of machine hammer peening on the surface integrity of a ZnAl-based corrosion protective coating", MATEC Web of Conferences 318 (4):01008, DOI
- D. Biermann, M. Tilger, A. Timmermann (2019), "Echtzeit-Aufnahme der Oberflächenrauheit im Rahmen einer zweistufigen Microfinishbearbeitung", Diamond Business, 70 (3), ISSN 1619-5558
01/2023
Nachfrageprognose mit Künstlichen Neuronalen Netzen bei limitierter Datenverfügbarkeit
08/2023
Klassifizierung von Kundenloyalität mifhilfe maschinellen Lernens
09/2023
Implementierung des Shifting-Bottleneck Verfahrens zum Scheduling in Job-Shops
- seit 04/2022
Wissenschaftliche Mitarbeiterin und Doktorandin, Graduiertenkolleg 2193, Lehrstuhl IV: Modellierung und Simulation, Fakultät Informatik, Technische Universität Dortmund - 01/2022 - 03/2022
Wissenschaftliche Hilfskraft, Lehrstuhl IV: Modellierung und Simulation, Fakultät Informatik, Technische Universität Dortmund - 01/2021 - 12/2021
Wissenschaftliche Hilfskraft, Lehrstuhl VIII: Künstliche Intelligenz, Fakultät Informatik, Technische Universität Dortmund - 01/2020 - 12/2020
Wissenschaftliche Mitarbeiterin und Doktorandin, Institut für Spanende Fertigung (ISF), Fakultät Maschinenbau, Technische Universität Dortmund - 05/2016-09/2019
Master of Science, Wirtschaftsingenieurwesen, Technische Universität Dortmund - 2015
Fachpraktikum bei Captrain Deutschland GmbH, Hecker Glastechnik GmbH, Microsonic GmbH (12 Wochen) - 2013
Grundpraktikum bei Dr. Diestel GmbH (8 Wochen) - 10/2012-04/2016
Bachelor of Science, Wirtschaftsingenieurwesen, Technische Universität Dortmund
- 2020
CES-Förderpreis des Vereins Deutscher Ingenieure e.V. (VDI) für Masterarbeit - 2016 - 2019
Frauenförderprogramm Female Talents in Accounting and Finance
- 2021-2023
Ratsmitglied im Studierendenwohnheim Studentendorf: Organisation von Events für Studierende - 2018
Schülerpaten e.V. Ehrenamtliche Nachhilfe für SchülerInnen mit Migrations- oder Fluchthintergrund - 2015
Mentoring Programm für Erasmus Studierende der TU Dortmund
Ausgeschriebene Abschlussarbeitsthemen (Stand 12.09.2024)
Benchmark zur Berechnung und Bewertung von Prognoseintervallen
Prognoseintervalle geben zusätzlich zu einer Punkt-Prognose ein Intervall an, in welchem der zukünftige Wert mit einer bestimmten Konfidenz (Sicherheit) liegt. Gängig sind 95% Prognoseintervalle, aber auch Quartilintervalle und distributive Intervalle existieren, auch wenn gering erforscht. Ebenso bestehen zahlreiche Evaluierungsmethoden für Prognoseintervalle, wie die Abdeckungsrate des Intervalls (Coverage Rate), oder der Mean Scaled Interval Score (MSIS), welcher zu breite Intervalle bestraft. In dieser Abschlussarbeit ist es das Ziel, all diese Arten und Bewertungsmetriken von Prognoseintervallen zusammenzubringen und deren Performanz auf einem realen Zeitreihendatenset gegenüberzustellen.
Benchmark zur Residualanalyse zur Bewertung des Prognoseerfolgs
Es gibt verschiedene Methoden, um den Erfolg einer Prognose zu bewerten, beispielsweise die Berechnung der prozentualen Abweichung von Prognose und tatsächlichem Wert. Da im Realfall der tatsächliche Wert in der Zukunft liegt und damit nicht verfügbar ist, wird stattdessen die Anpassung des Prognosemodells auf die vergangenen Werte der Zeitreihe (Fit) betrachtet. Aus diesen beiden Größen wird die Differenz berechnet, welche sich Residuale nennen. Zur Evaluierung des Prognoseerfolgs ohne zukünftige Daten könnte z. B. getestet werden, ob die Residuale zufällig verteilt (random) sind, und somit die Prognose alle Muster in der Zeitreihe erkannt hat. In dieser Abschlussarbeit sollen alle Methoden der Residualanalyse gesammelt und deren Performanz auf einem realen Zeitreihendatenset validiert werden.