Arbeiten mit Zeitreihenexperimenten

Mit Zeitreihenexperimenten können Sie Modelle trainieren, um Metriken vorherzusagen, die bestimmten zukünftigen Zeiträumen entsprechen – zum Beispiel Umsätze für die nächste Woche oder den nächsten Monat. In Qlik Predict generieren Zeitreihenmodelle multivariate Prognosen, die gruppierte Ziele und zukünftige Features unterstützen. Zeitreihenprognose ist für Experimente mit einem numerischen Ziel verfügbar.

Anwendungsfälle

Die Zeitreihenprognose ist nützlich, wann immer Sie datumssensitive Vorhersagen für numerische Metriken benötigen. Es gibt viele Szenarien, in denen die Zeitreihenprognose nützlich ist, darunter:

• Umsatz- und Finanzprognosen

• Prognose von Inventar und Lagerbestand

• Prognose von Energieverbrauch und -bedarf

• Prognose von Ausgaben

Was ist multivariate Zeitreihenprognose?

Multivariate Zeitreihenprognose ist die Vorhersage zukünftiger Daten für Szenarien, die mehr als eine Variable umfassen. Zeitreihenexperimente ermöglichen es Ihnen, zeitspezifische Muster zwischen mehreren Zielen (eingeführt über Gruppen) und mehreren Features zu untersuchen. Im Gegensatz zu Vorhersagen, die mit Klassifizierungs- und Regressionsmodellen getroffen werden, sind Zeitreihenvorhersagen spezifisch für ein bestimmtes Datum oder eine bestimmte Uhrzeit. Sie möchten beispielsweise Ihren Umsatz für die nächsten zwei Wochen vorhersagen, wobei der zugehörige Zeitraum der 1. bis 14. Januar ist.

Teil 1: Trainingsdatensatz vorbereiten

Bereiten Sie als Erstes einen Trainingsdatensatz vor. Der Trainingsdatensatz muss Verlaufsdaten enthalten, die in konsistenten Zeitintervallen gemessen wurden. Alle Einzelheiten finden Sie unter Vorbereiten eines Trainingsdatensatzes.

Teil 2: Zeitreihenexperiment erstellen

Sie erstellen ein Zeitreihenexperiment, indem Sie ein ML-Experiment erstellen und dann Zeitreihe als Experimenttyp auswählen.

Um ein Experiment als Zeitreihenexperiment zu konfigurieren, muss das Ziel numerisch sein und mehr als 11 eindeutige Werte aufweisen (wobei jedoch wesentlich mehr Werte erforderlich sind, um ein qualitativ hochwertiges Modell zu erstellen). Der Datensatz muss außerdem eine Spalte mit Datums- oder Datums-/Uhrzeitinformationen enthalten, die über ein konsistentes Zeitintervall aufgezeichnet wurden.

Gehen Sie folgendermaßen vor:

1. Erstellen Sie ein ML-Experiment über das Aktivitätscenter Analysen. Weitere Informationen finden Sie unter Erstellen von Experimenten.

2. Wählen Sie einen Trainingsdatensatz aus und klicken Sie auf Konfiguration anzeigen, um das Experimentkonfigurationsfenster zu erweitern.

3. Erweitern Sie Ziel und Experimenttyp.

4. Verwenden Sie das Dropdown-Menü, um ein Ziel auszuwählen.

5. Wählen Sie unter Experimenttyp die Option Zeitreihe aus.

Teil 3: Zeitreihenexperiment konfigurieren

Als Nächstes müssen Sie Parameter konfigurieren, die spezifisch für die Vorhersagen sind, die Sie mit Ihrem Zeitreihenmodell treffen möchten. Diese Parameter sind für Zeitreihenexperimente spezifisch. Beschreibungen der Bedeutung jedes Parameters finden Sie unter Arbeiten mit multivariaten Zeitreihenprognosen.

Gehen Sie folgendermaßen vor:

1. Wählen Sie unter Datumsindex die zu verwendende Indexspalte aus.

   Datumsindex

2. Verwenden Sie optional die Dropdown-Menüs für Gruppen und Zukünftige Features, um Zielgruppierungen und zukünftige Features zum Modelltraining hinzuzufügen.

   Gruppen

   Zukünftige Features

3. Legen Sie im Abschnitt Basierend auf Ihren Daten die Prognosefenstergröße und die Prognoselückengröße in Zeitschritten fest.

   Zeitschritte

   Prognosehorizont

Teil 4: Andere Experimentparameter konfigurieren

Wie bei anderen Experimenttypen gibt es weitere Eigenschaften – die nicht nur für Zeitreihenexperimente gelten –, die Sie möglicherweise in Ihrer Experimentkonfiguration anpassen müssen. Dazu zählen die Folgenden:

• Auswählen von Features

• Auswählen von Algorithmen

• Ändern der Feature-Typen

Alle Einzelheiten dazu finden Sie unter Konfigurieren von Experimenten.

Teil 5: Training ausführen

Gehen Sie folgendermaßen vor:

• Klicken Sie in der unteren Leiste auf Training ausführen.

Nächste Schritte

Modellanalyse

Nach Abschluss des Trainings können Sie die Modelle analysieren und deren Qualität bewerten. Erstellen Sie bei Bedarf weitere Iterationen des Experiments, um die Ergebnisse zu verfeinern.

Weitere Informationen finden Sie unter Überprüfen der Modelle.

Bereitstellung und Genehmigung von Modellen

Nach der Analyse der Modelle stellen Sie das beste Modell in einer ML-Bereitstellung bereit und aktivieren es dann für die Erstellung von Vorhersagen.

Weitere Informationen finden Sie unter Bereitstellen von Modellen und Genehmigen von bereitgestellten Modellen.

Vorbereiten von Anwendungsdatensätzen und Erstellen von Vorhersagen

Nachdem Sie Ihr Modell bereitgestellt haben, prüfen Sie die Anforderungen für die Anwendungsdatensätze, die Sie zum Generieren von Vorhersagen verwenden werden. Weitere Informationen finden Sie unter Vorbereiten eines Anwendungsdatensatzes.

Wenn Sie den Anwendungsdatensatz vorbereitet haben, erstellen Sie Vorhersagen mit Ihrem Zeitreihenmodell. Sie können Folgendes erstellen:

• Stapelvorhersagen

  Erstellen von Vorhersagen in Datensätzen

• Echtzeitvorhersagen

  Erstellen von Echtzeitvorhersagen

Einschränkungen und Überlegungen

• Sie können bis zu zwei Gruppen für ein Zeitreihenexperiment auswählen. Die Spalte, die Sie als Gruppe auswählen, muss kategorial sein. Diese Spalte kann numerische Daten enthalten, aber während des Trainings wird die Spalte als kategorial behandelt.

• Das maximale Prognosefenster kann bis zu 180 Zeitschritte umfassen. Weitere Informationen finden Sie unter Maximales Prognosefenster.

• Intelligente Modelloptimierung ist nicht auf Zeitreihenexperimente anwendbar.

• Zeitreihenexperimente unterstützen keine manuelle Optimierung.

• Zeitreihenexperimente unterstützen keine Hyperparameteroptimierung.

• Zeitreihenexperimente unterstützen kein zeitbezogenes Training.

• Automatische Merkmalsaufbereitung (Feature Engineering) für Freitext ist für Zeitreihenexperimente nicht verfügbar.

• Wenn Sie eine Datumsindexspalte für ein Zeitreihenexperiment auswählen, wird der Datumsfunktionstyp für diese Spalte verwendet. Allerdings wird Merkmalsaufbereitung für Datumsangaben in Zeitreihenmodellen nicht unterstützt. Automatisch aufbereitete Datumsfunktionen können nicht aus der Spalte abgeleitet werden.

• Zeitreihenexperimente trainieren Modelle mit Deep-Learning-Algorithmen. Daher dauert das Training von Zeitreihenmodellen, abhängig von der Datengröße und dem Prognosefenster, in der Regel länger als das von Regressions- und Klassifizierungsmodellen.

Informationen zu Einschränkungen bei der Erstellung von Vorhersagen mit Zeitreihenmodellen finden Sie unter Beschränkungen.

Tutorial

Ein vollständiges Tutorial zur Zeitreihenprognose, vom Modelltraining bis zur Vorhersage, finden Sie unter Tutorial – Umsatzprognosen mit multivariaten Zeitreihenprognosen.