Quanten-maschinelle Lernmethoden in der Preisprognose von gebrauchten Baumaschinen
-
Horst Stühler
Dipl. Bio & Dipl. Inf. Horst Stühler studierte Biologie und Informatik an der Technischen Universität München und der Ludwig-Maximilians-Universität München. Er arbeitete in leitender Position im Bereich der Hard- und Softwareentwicklung von funktional sicheren Steuergeräten sowie im Bereich Digitalisierung. Aktuell entwickelt er in seiner Funktion als Data-Science- und KI-Experte datengetriebene Geschäftsprozesse bei der Zeppelin GmbH mit Sitz in Garching bei München.
Daniel Pranjic, M. Sc., geb. 1997, studierte Physik mit der Vertiefungsrichtung Quantentechnologien an der Universität Stuttgart am Institut für Funktionelle Materie und Quantentechnologien. Als wissenschaftlicher Mitarbeiter am Fraunhofer IAO erforscht er Quanten-Machine-Learning-Modelle und deren Anwendung auf industrielle Praxisbeispiele.
Abstract
Im Bausektor ist die präzise Preisvorhersage für gebrauchte Baumaschinen entscheidend, um den Wert von Maschinenbeständen optimal zu nutzen und die Rentabilität zu maximieren. Maschinelles Lernen (ML) bietet eine vielversprechende Lösung, indem es große Datenmengen analysiert und zukünftige Preisentwicklungen prognostiziert. Neuere Entwicklungen im Bereich des Quantencomputing (QC) und des Quanten-Maschinellen-Lernen (QML) versprechen weitere Fortschritte in der Genauigkeit und Effizienz von Vorhersagen. Dieser Artikel untersucht die Methodik und die potenziellen Vorteile quantenbasierter Modelle im Vergleich zu klassischen ML-Verfahren und beleuchtet die Rolle von Support-Vektor-Maschinen (SVM) und Quanten-Support-Vektor-Maschinen (QSVM).
Abstract
In the construction sector, accurate price forecasting for used construction machinery is crucial to optimize the value of equipment inventories and maximize profitability. Machine Learning (ML) offers a promising solution by analyzing large datasets and predicting future price trends. Recent advancements in Quantum Computing (QC) and Quantum Machine Learning (QML) hold the potential for further improvements in prediction accuracy and efficiency. This article examines the methodology and potential benefits of quantum-based models compared to classical ML approaches, highlighting the role of Support Vector Machines (SVMs) and Quantum Support Vector Machines (QSVMs).
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory-Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
Funding statement: Diese Arbeit wurde teilweise aus Mitteln des Bundesministeriums für Wirtschaft und Klimaschutz im Rahmen des Forschungsprojekts AutoQML finanziert.
About the authors
Dipl. Bio & Dipl. Inf. Horst Stühler studierte Biologie und Informatik an der Technischen Universität München und der Ludwig-Maximilians-Universität München. Er arbeitete in leitender Position im Bereich der Hard- und Softwareentwicklung von funktional sicheren Steuergeräten sowie im Bereich Digitalisierung. Aktuell entwickelt er in seiner Funktion als Data-Science- und KI-Experte datengetriebene Geschäftsprozesse bei der Zeppelin GmbH mit Sitz in Garching bei München.
Daniel Pranjic, M. Sc., geb. 1997, studierte Physik mit der Vertiefungsrichtung Quantentechnologien an der Universität Stuttgart am Institut für Funktionelle Materie und Quantentechnologien. Als wissenschaftlicher Mitarbeiter am Fraunhofer IAO erforscht er Quanten-Machine-Learning-Modelle und deren Anwendung auf industrielle Praxisbeispiele.
Literatur
1 Liu, Y.; Arunchalam, S.; Temme, K.: A Rigorous and Robust Quantum Speed-up in Supervised Machine Learning. Nature Physics 17 (2021) 9, S. 1013–1917 DOI:10.1038/s41567-021-01287-z10.1038/s41567-021-01287-zSuche in Google Scholar
2 Steinwart, I.; Christmann, A.: Support Vector Machines. Springer Science & Business Media, 2008 DOI:10.1007/978-0-387-77242-410.1007/978-0-387-77242-4Suche in Google Scholar
3 Géron, A.: Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow. O’Reilly Media, 2022Suche in Google Scholar
4 Thanasilp, S.; Wang, S.; Cerezo, M.; Holmes, Z.: Exponential Concentration in Quantum Kernel Methods. Nature Communications 15 (2024) 1 DOI:10.1038/s41467-024-49287-w10.1038/s41467-024-49287-wSuche in Google Scholar PubMed PubMed Central
5 Lucko, G.; Vorster, M. C.; Anderson-Cook, C. M.: Unknown Element of Owning Costs – Impact of Residual Value. Journal of Construction Engineering and Management 133 (2007) 1 DOI:10.1061/(ASCE)0733-9364(2007)133:1(3)10.1061/(ASCE)0733-9364(2007)133:1(3)Suche in Google Scholar
6 Chiteri, M.: Cash-flow and Residual Value Analysis for Construction Equipment. Master thesis, University of Alberta, 2018Suche in Google Scholar
7 Zong, Y.: Maintenance Cost and Residual Value Prediction of Heavy Construction Equipment. Master thesis, University of Alberta, 2017Suche in Google Scholar
8 Shehadeh, A.; Alshboul, O.; Al-Mamlook, R. E.; Hamedat, O.: Machine Learning Models for Predicting the Residual Value of Heavy Construction Equipment: An Evaluation of Modified Decision Tree, lightgbm, and xgboost Regression. Automation in Construction 129 (2021) 2 DOI:10.1016/j.autcon.2021.10382710.1016/j.autcon.2021.103827Suche in Google Scholar
9 Stühler, H.; Zöller, M.; Klau, D. et al.: Benchmarking Automated Machine Learning Methods for Price Forecasting Applications. Proceedings of the 12th International Conference on Data Science, Technology and Applications – DATA 2023, S. 30–39 DOI:10.5220/001205140000354110.5220/0012051400003541Suche in Google Scholar
10 Grossi, M.; Ibrahim, N.; Radescu, V. et al.: Mixed Quantum-classical Method for Fraud Detection with Quantum Feature Selection. In: Transaction on Quantum Engineering, IEEE 2022 DOI:10.48550/arXiv.2208.0796310.48550/arXiv.2208.07963Suche in Google Scholar
11 Tschannen, M.; Bachem, O.; Lucic, M.: Recent Advances in Autoencoder-based Representation Learning. 2018 DOI:10.48550/arXiv.1812.0506910.48550/arXiv.1812.05069Suche in Google Scholar
© 2025 Walter de Gruyter GmbH, Berlin/Boston, Germany
Artikel in diesem Heft
- Inhalt
- Editorial
- Die Zukunft der Produktion – Intelligente Fabriken im Wandel
- Mensch und Roboter
- Mensch-Roboter-Kollaboration in der Intralogistik: Ergonomisch und effizient?
- Industrieroboter
- Fähigkeitsbasierte Programmierung von Industrierobotern
- Laserentschichtung
- Revolution im Recycling
- Agile Produktion
- Informationsmodelle und Integrationskonzepte für die Produktion elektrischer Traktionsmotoren
- Unternehmensexzellenz
- Wie entsteht „Flow“ in einem Unternehmen?
- It-Systeme
- Was zwingt produzierende Unternehmen zu Veränderungen ihrer IT-Systeme?
- Softwarelösungen
- Präzision auf höchstem Niveau
- Predictive Maintenance
- Durch fortgeschrittene Analytik zur vorausschauenden Wartung
- Zustandsüberwachung
- Laserbasierte Detektion von Lockerungen im Straßenbahngleis
- Cybersicherheit
- Cyber Resilience Act und IEC 62443
- Künstliche Intelligenz
- Einsatzmöglichkeiten generativer KI im Produktentstehungsprozess
- Maschinelles Lernen
- Quanten-maschinelle Lernmethoden in der Preisprognose von gebrauchten Baumaschinen
- Datengetriebene Anpassung des Fixierungshorizonts
- Digitaler Zwilling
- Aufbau des Digitalen Fabrikzwillings
- Digitale Prozesskette
- Entwicklung einer Referenzarchitektur für eine durchgängige Digitale Prozesskette
- Vorschau
- Vorschau
Artikel in diesem Heft
- Inhalt
- Editorial
- Die Zukunft der Produktion – Intelligente Fabriken im Wandel
- Mensch und Roboter
- Mensch-Roboter-Kollaboration in der Intralogistik: Ergonomisch und effizient?
- Industrieroboter
- Fähigkeitsbasierte Programmierung von Industrierobotern
- Laserentschichtung
- Revolution im Recycling
- Agile Produktion
- Informationsmodelle und Integrationskonzepte für die Produktion elektrischer Traktionsmotoren
- Unternehmensexzellenz
- Wie entsteht „Flow“ in einem Unternehmen?
- It-Systeme
- Was zwingt produzierende Unternehmen zu Veränderungen ihrer IT-Systeme?
- Softwarelösungen
- Präzision auf höchstem Niveau
- Predictive Maintenance
- Durch fortgeschrittene Analytik zur vorausschauenden Wartung
- Zustandsüberwachung
- Laserbasierte Detektion von Lockerungen im Straßenbahngleis
- Cybersicherheit
- Cyber Resilience Act und IEC 62443
- Künstliche Intelligenz
- Einsatzmöglichkeiten generativer KI im Produktentstehungsprozess
- Maschinelles Lernen
- Quanten-maschinelle Lernmethoden in der Preisprognose von gebrauchten Baumaschinen
- Datengetriebene Anpassung des Fixierungshorizonts
- Digitaler Zwilling
- Aufbau des Digitalen Fabrikzwillings
- Digitale Prozesskette
- Entwicklung einer Referenzarchitektur für eine durchgängige Digitale Prozesskette
- Vorschau
- Vorschau
