• Probabilistische Wettervorhersage
• Räumliche Statistik
• Copulas
• Hoch-Dimensionale Daten
• Funktionale Datenanalyse
• Statistische Lernverfahren
• Zeitreihenanalyse

In dem durch die DFG geförderten Wissenschaftlichen Netzwerk zum Thema "Statistische Nachbearbeitung von Ensemble Vorhersagen für verschiedene Wetter Variablen" sollen in Zusammenarbeit mit einer internationalen Gruppe von Wissenschaftlern statistische Modelle für die probabilistische Vorhersage verschiedener Wetter Variablen entwickelt und implementiert werden.

Mehr Informationen zum Projekt und aktuelle Veröffentlichungen finden sich auf der internen Projektseite der Arbeitsgruppe.

Referierte Artikel

• Baran, S. and Möller, A. (2017):
  Bivariate ensemble model output statistics approach for joint forecasting of wind speed and temperature.
  Meteorology and Atmospheric Physics 129 (1), 99-112. DOI: 10.1007/s00703-016-0467-8

• Möller, A., Tutz, G. and Gertheiss, J. (2016):
  Random Forests for functional Covariates. Journal of Chemometrics 30 (12), 715-725. DOI: 10.1002/cem.2849


• Möller, A., Groß, J. (2016):
  Probabilistic temperature forecasting based on an ensemble AR modification. Quarterly Journal of the Royal Meteorological Society, 142 (696), 1385-1394. DOI:10.1002/qj.2741


• Hasenbeck, F., Reiser, D., Ghendrih, P., Marandet, Y., Tamain, P., Möller, A. and Reiter, D. (2015):
  Multiscale modeling approach for radial particle transport in large-scale simulations of the tokamak plasma edge.
  Procedia Computer Science, 51, 1128-1137.


• Baran, S. and Möller, A. (2015): Joint probabilistic forecasting of wind speed and temperature using Bayesian model averaging.
  Environmetrics, 26 (2), 120-132.


• Möller, A., Lenkoski, A. and Thorarinsdottir, T.L. (2013):
  Multivariate probabilistic forecasting using Bayesian model averaging and copulas. Quarterly Journal of the Royal Meteorological Society, 139 (673), 982-991.

Buchbeiträge

• Schefzik, R. and Möller, A. (2018): Multivariate ensemble postrpocessing, in: Vannitsem, S., Wilks, D. and Messner, J. (eds.) Statistical Postprocessing of Ensemble Forecsats, Elsevier.

Referierte Conference Proceedings

• Möller, A. and Gertheiss, J. (2018). A classification tree for functional data. In Wood, S. (ed.): Proceedings of the 33rd International Workshop on Statistical Modelling, 219-224.
• Möller, A. and Groß, J. (2017): A heteroscedastic probabilistic temperature forecasting model incorporating spread-error correlation and high-resolution forecasts, in Grzegorczyk, M. and Ceoldo, G. (eds.): Proceedings of the 32nd International Workshop on Statistical Modelling, 131-136.
• Möller, A. and Groß, J. (2016): Probabilistic Temperature forecasting based on an AR model fitted to forecast errors, in Dupuy, J.-F. and Josse, J. (eds.): Proceedings of the 31th International Workshop on Statistical Modelling, 225-230.
• Möller, A. (2015): Spatially adaptive probabilistic temperature forecasting using Markovian EMOS, in Friedl, H. and Wagner, H. (eds.): Proceedings of the 30th International Workshop on Statistical Modelling Volume II, 175-178.
• Möller, A., Tutz, G. and Gertheiss, J. (2014): Random Forests for Functional Covariates, in T. Kneib, F. Sobotka, J. Fahrenholz, and H. Irmer (eds.): Proceedings of the 29th International Workshop on Statistical Modelling, 219-223.

Preprints

• Möller, A., Spazzini, L., Kraus, D., Nagler, T. and Czado, C. (2018): Vine copula based postprocessing of ensemble forecasts for temperature.
• Möller, A. and Gertheiss, J. (2018): A classification tree for functional data.
• Möller, A., Groß, J. (2018): Probabilistic temperature forecasting with a heteroscedastic ensemble postprocessing model.
• Möller, A., Gertheiss, J. and Hessel, E.F. (2016): Clustering pigs according to their RFID registrations: A functional data approach.
• Möller, A., Thorarinsdottir, T.L., Lenkoski, A., and Gneiting T. (2016): Spatially adaptive, Bayesian estimation for probabilistic temperature forecasts. arXiv:1507.05066.

Software

• Groß, J. and Möller, A. (2018): ensAR: Autoregressive postprocessing methods for ensemble forecasts. R package version 0.0.0.9000, 2016. URL github.com/JuGross/ensAR

Eigenverantwortliche Lehre TU Clausthal

• Statistische Methoden des Maschinellen Lernens (SS 2017, SS 2018, WS 2018/2019)
• Mathematischer Vorkurs (WS 2017/2018, SS 2018)
• Einführung in die Wahrscheinlichkeitstheorie und Statistik (WS 2018/2019)
• Ingenieurstatistik I (WS 2018/2019)

Begleitende Lehre TU Clausthal

• Ingenieurstatistik I (WS 2016/2017)