In dieser Masterarbeit werden zwei Strategien zur Anomalieerkennung in Lastgängen ausgewertet. Dazu nutzt Strategie 1 das künstliche neuronale Netzwerk LSTM (Long Short-Term Memory) mit Datenzeitraum von einem Monat (1M) bzw. drei Monaten (3M) trainiert und Strategie 2 das Glättungsverfahren PEWMA (Probalistic Exponential Weighted Moving Average) zur Schätzung des zu untersuchenden Lastgangmonats. Durch den Vergleich mit Originallastgangdaten werden Residuen bzw. summierte Residuen der Sequenzlängen zwei, vier, sechs ...