Raspberry Pi 4 mit 4 GB
Der Preis-Leistungs-Favorit für Home Assistant und ioBroker im Einstieg.
Stufe 3 · Kapitel 12 von 14
Predictive Automatisierungen
Statt starrer Wenn-Dann-Regeln: Wie dein Smart Home aus vergangenen Verhaltensmuster lernt und selbstständig die richtigen Entscheidungen trifft.
6 Min. LesezeitAktualisiert 3. Juni 2026
In 30 Sekunden
Predictive Automatisierungen nutzen historische Daten, um zukünftige Zustände vorherzusagen und Aktionen rechtzeitig einzuleiten. Einfachster Einstieg: Home Assistant History Stats und adaptive Lighting-Integrationen. Fortgeschrittene nutzen TensorFlow Lite oder Bayesian-Sensoren für probabilistische Vorhersagen. Der größte Gewinn entsteht bei der Heizungssteuerung: Predictive Heating spart 10-20 % Energie gegenüber starren Zeitplänen.
Partnerlinks: Die mit 🛒 markierten Links sind Affiliate-Links. Bei einem Kauf erhalten wir eine kleine Provision – ohne Mehrkosten für dich.
Vom reaktiven zum prädiktiven Smart Home
Klassische Automatisierungen sind reaktiv: Wenn Temperatur unter 20 Grad sinkt, schalte die Heizung ein. Das Problem: Die Heizung braucht Zeit, um den Raum aufzuwärmen. Wenn du erst reagierst, wenn es schon kalt ist, springt die Heizung immer zu spät an — oder läuft auf Hochtouren, was Energie verschwendet. Predictive Automatisierungen drehen den Ansatz um: Sie analysieren, wann es voraussichtlich kalt wird, und beginnen bereits im Voraus mit dem Heizen. Dasselbe Prinzip gilt für Licht, Rollläden und andere Aktoren.
10 – 20 %Einsparpotenzial durch predictive heating vs. starre ZeitpläneEnergieforschung ETH Zürich
72 hTypischer Vorhersage-Horizont für Heizungs-Automatisierungen
14 TageMindestdauer historischer Daten für erste zuverlässige Vorhersagen
Einstieg mit Home Assistant History Stats
Der einfachste Weg in die Welt der Vorhersagen führt über die History-Stats-Integration in Home Assistant. Sie wertet aus, wie lange ein Zustand in einem bestimmten Zeitraum bestand hat — zum Beispiel: Wie viele Stunden war das Badezimmerfenster heute offen? Diese Kennzahlen sind die Basis für prädiktive Entscheidungen.
Was History Stats misst
History Stats aggregiert den Zustand einer Entität über einen definierten Zeitraum. Du kannst wählen zwischen der Gesamtdauer eines Zustands (z.B. "on" für 3,5 Stunden), dem Minimal- und Maximalwert einer numerischen Eigenschaft oder dem Durchschnitt. Das Ergebnis steht als neuer Sensor zur Verfügung und kann in Automatisierungen verwendet werden.
Praxistipp: Anwesenheitsbasierte Vorhersage
Nutze History Stats, um die typische Ankunftszeit an Werktagen zu ermitteln. Wenn du an 80 % der letzten 30 Werktage um 17:45 Uhr zu Hause warst, kann die Heizung um 17:15 Uhr hochgefahren werden — nicht schon um 16:00 Uhr wie bei einem starren Zeitplan. Das spart eine Stunde unnötiges Heizen pro Tag, was bei einem mittelgroßen Haus schnell 100 Euro im Jahr ausmacht.
Pro-Tipp
Konfiguriere History Stats mit einem Lookback-Zeitraum von mindestens zwei Wochen. Kürzere Zeiträume führen zu unzuverlässigen Vorhersagen, weil einzelne Ausreißer (Feiertag, Krankheit) das Ergebnis zu stark verfälschen.
Adaptive Lighting: Licht folgt dem Tagesrhythmus
Adaptive Lighting ist eine der ausgereiftesten prädiktiven Integrationen in Home Assistant. Sie steuert Farbtemperatur und Helligkeit von Lampen automatisch basierend auf der Sonnenposition, der Tageszeit und deinem Standort. Morgens schaltet sie warmweißes Licht zum sanften Wecken, mittags kühles Tageslicht für Konzentration und abends wieder warme Töne zur Vorbereitung auf den Schlaf.
Wie es funktioniert
Die Integration berechnet für jeden Zeitpunkt den optimalen Farbtemperatur-Wert in Kelvin und die passende Helligkeit in Prozent. Sie berücksichtigt dabei den Sonnenstand (berechnet aus Breitengrad und Längengrad), Adaptive-Zeiten für Schlaf- und Wachphasen und benutzerdefinierte Grenzen (z.B. minimal 2200 K, maximal 6500 K). Die Werte werden stufenlos an die Lampen gesendet, ohne dass du eine einzelne Automation schreiben musst.
Manuelle Override-Erkennung
Ein kluges Feature: Wenn du manuell eine Lampe dimst oder die Farbtemperatur änderst, erkennt Adaptive Lighting den Eingriff und pausiert die automatische Steuerung für diese Lampe. Nach einer einstellbaren Zeit (Standard: 45 Minuten) kehrt sie zur automatischen Steuerung zurück. So hast du immer die Kontrolle, ohne die Automation dauerhaft deaktivieren zu müssen.
Bayesian-Sensoren: Wahrscheinlichkeiten statt Binärwerte
Ein Binärsensor sagt ja oder nein — aber die Realität ist selten so klar. Ein Bayesian-Sensor berechnet die Wahrscheinlichkeit eines Zustands basierend auf mehreren Beobachtungen. Beispiel: Ist jemand zu Hause? Ein einzelner Anwesenheitssensor kann falsch positiv sein (der Hund löst den Bewegungsmelder aus). Der Bayesian-Sensor kombiniert Bewegungsmelder, Handys-WLAN-Verbindung, Türkontakte und Uhrzeit zu einer Gesamtwahrscheinlichkeit.
So konfigurierst du einen Bayesian-Sensor
Du definierst eine Prior-Wahrscheinlichkeit (z.B. 50 %, dass jemand zu Hause ist) und fügst Beobachtungen hinzu. Jede Beobachtung hat eine bedingte Wahrscheinlichkeit: Wie wahrscheinlich ist die Beobachtung, wenn jemand zu Hause ist, und wie wahrscheinlich, wenn niemand da ist? Der Sensor aktualisiert die Gesamtwahrscheinlichkeit nach Bayes' Theorem bei jeder neuen Beobachtung. In Home Assistant konfigurierst du das in der YAML-Datei mit den Feldern "prior" und "observations".
Typisches Anwendungsbeispiel: Anwesenheitserkennung
Beobachtung 1: Handys WLAN verbunden (P_given_true: 0.9, P_given_false: 0.1). Beobachtung 2: Bewegungsmelder im Flur aktiv (P_given_true: 0.7, P_given_false: 0.3). Beobachtung 3: Es ist werktags zwischen 8 und 18 Uhr (P_given_true: 0.3, P_given_false: 0.7). Der Sensor kombiniert alle drei und liefert eine Wahrscheinlichkeit zwischen 0 und 1. Ab einem Schwellenwert von 0.5 gilt der State als "on".
Wusstest du schon?
Bayesian-Sensoren werden in der Medizin seit Jahrzehnten eingesetzt — zum Beispiel bei der Auswertung von Krebs-Screenings. Die gleiche Mathematik, die beim Überleben hilft, kann auch deine Heizung steuern: Die Wahrscheinlichkeit, dass niemand zu Hause ist, steigt drastisch, wenn sowohl WLAN als auch Bewegungsmelder inaktiv sind.
Machine Learning mit TensorFlow Lite
Für komplexere Vorhersagen bietet Home Assistant die TensorFlow-Integration. Sie trainiert ein neuronales Netz direkt auf dem Raspberry Pi oder Server mit deinen historischen Sensordaten. Das Modell lernt Muster, die über einfache Wahrscheinlichkeitsrechnung hinausgehen: saisonale Schwankungen, Zusammenhänge zwischen verschiedenen Sensoren und nichtlineare Abhängigkeiten.
Einrichtung und Training
Du konfigurierst in der Integration, welche Sensoren als Input dienen und was vorhergesagt werden soll. Das System sammelt die Daten, trainiert periodisch neu (z.B. täglich um 3 Uhr nachts) und erstellt Vorhersage-Sensoren. Der Output ist ein neuer Sensor mit dem vorhergesagten Wert — zum Beispiel "predicted_temperature_living_room". Diesen Sensor nutzt du dann wie jeden anderen in Automatisierungen.
Grenzen und Anforderungen
TensorFlow Lite braucht deutlich mehr Rechenleistung als Bayesian-Sensoren. Auf einem Raspberry Pi 3 dauert das Training mehrere Minuten und verlangsamt andere Prozesse. Der Raspberry Pi 4 oder ein Intel NUC ist empfehlenswert. Außerdem brauchst du mindestens vier Wochen durchgehende historische Daten, bevor die Vorhersagen einigermaßen zuverlässig werden. Die Qualität steigt mit der Datenmenge — nach drei Monaten werden die Ergebnisse deutlich besser.
Pro-Tipp
Starte nicht mit TensorFlow, wenn du zum ersten Mal mit prädiktiven Automatisierungen experimentierst. Bayesian-Sensoren und History Stats decken 80 % der Anwendungsfälle ab und sind viel einfacher zu konfigurieren. Steig auf TensorFlow um, wenn die einfacheren Methoden nicht mehr ausreichen.
Predictive Heating: Der größte Energiesparer
Die Heizungssteuerung ist das Paradebeispiel für prädiktive Automatisierungen. Statt die Heizung um 6:00 Uhr einschalten zu lassen (egal ob jemand da ist oder nicht), berechnet ein prädiktives System die optimale Vorheiz-Zeit basierend auf der aktuellen Außentemperatur, der Gebäudeisolierung und der vorhergesagten Anwesenheit.
Bausteine eines predictive-heating-Systems
- Außentemperatur-Sensor: Liefert den aktuellen und vorhergesagten Wert. Je kälter es draußen ist, desto früher muss geheizt werden.
- Anwesenheits-Vorhersage: Bayesian-Sensor oder History-Stats-basierte Schätzung, wann jemand zu Hause sein wird.
- Thermisches Modell: berechnet die Aufheiz-Zeit basierend auf der Temperaturdifferenz und der Gebäudeleitfähigkeit. Je besser isoliert, desto kürzer die Vorheiz-Phase.
- Wetter-Vorhersage: OpenWeatherMap oder DWD-Integration liefert Temperaturverläufe für die nächsten Stunden.
- Adaptives Lernen: Das System misst, wie lange das Aufheizen tatsächlich gedauert hat, und korrigiert das Modell kontinuierlich.
Wusstest du schon?
Das Fraunhofer-Institut hat in einer Studie gezeigt, dass adaptive Heizungssteuerungen in Kombination mit Anwesenheitserkennung bis zu 26 % Heizenergie einsparen können — verglichen mit einem konstanten 20-Grad-Sollwert während der Heizperiode.
Alle Produkte aus diesem Guide
Intel NUC Mini-PC
Leistungsstarker Mini-PC als Smart-Home-Zentrale (gebraucht oder neu).