# Zeitreihenprognosen mit dem Liniendiagramm Business-Anwender und Analysten überwachen häufig ihre Kennzahlen als Trend über ein Zeitintervall. Mithilfe der Zeitreihenprognose können sie abschätzen, wie die historische Abfolge der Beobachtungen sich in Zukunft fortsetzen wird. Die Möglichkeit, die wahrscheinliche Entwicklung von Trendlinien abzuschätzen, kann Informationen für die Strategie und Entscheidungsfindung liefern. In Qlik Cloud werden mit der Zeitreihenprognose-Option Visualisierungen erstellt, die Trendlinien mit vorhergesagten Werten fortsetzen und im Liniendiagramm anzeigen. Je nach verwendeter Methode werden in einer schattierten Fläche zur Darstellung des Konfidenzintervalls mögliche Werte mit einem konfigurierbaren Konfidenzniveau angezeigt. Zeitreihenprognosen werden mit vertrauenswürdigen, prädiktiven Funktionen erstellt. Der SSA-Algorithmus (singuläre Spektralanalyse) gibt ein Konfidenzintervall an, während OLS (gewöhnliche Methode der kleinsten Quadrate) eine einfache lineare Regressionslinie ergibt. Zeitreihenprognose-Diagramm, das mit der OLS-Methode erstellt wurde Zeitreihenprognose-Diagramm, das mit der OLS-Methode erstellt wurde Zeitreihenprognose-Diagramm, das mit der OLS-Methode erstellt wurde ![Zeitreihenprognose-Diagramm, das mit der OLS-Methode erstellt wurde](https://help.qlik.com/de-DE/cloud-services/Subsystems/Hub/Content/Resources/Images/ui_TimeSeries_OLS_rev.png) Zeitreihenprognose-Diagramm, das mit der SSA-Methode erstellt wurde Zeitreihenprognose-Diagramm, das mit der SSA-Methode erstellt wurde Zeitreihenprognose-Diagramm, das mit der SSA-Methode erstellt wurde ![Zeitreihenprognose-Diagramm, das mit der SSA-Methode erstellt wurde](https://help.qlik.com/de-DE/cloud-services/Subsystems/Hub/Content/Resources/Images/ui_TimeSeries_SSA_rev.png) Die Zeitreihenprognose unterscheidet prognostizierte Werte klar von Verlaufwerten. Die Visualisierung zeigt die Prognose inkrementell an, wie in den Multiplikator-Auswahlen für Prognoseschritte und Schrittgröße in den Dimensionseigenschaften konfiguriert. Wenn in der Kennzahl die SSA-Methode ausgewählt ist, wird eine schattierte Fläche angezeigt, die das Konfidenzintervall der Prognose darstellt. Dieses Intervall wird anhand von Kennzahleneigenschaften konfiguriert: Konfidenz anzeigen und Konfidenzniveau. Die schattierte Fläche zeigt das Intervall der plausiblen Werte (z. B. 95 %), was bedeutet, dass zukünftige Werte erwartungsgemäß mit einer Wahrscheinlichkeit von 95 % in der schattierten Fläche liegen. [Time series forecasting](https://play.vidyard.com/xGKootWFwW6RqSnhqGUitu) ## Anforderungen und Verhalten der Eigenschaften Eine Prognose-Umschaltoption wird unter den erweiterten Optionen in den Kennzahleneigenschaften angezeigt, wenn die folgenden Anforderungen erfüllt sind: * Eine numerische oder Zeitdimension * Eine Kennzahl und eine Dimension * Die Dimensionsachse muss durchgehend sein. Es muss beachtet werden, dass die Umschaltoption Prognose nur dann in den Kennzahleneigenschaften angezeigt wird, wenn die Kennzahl eine numerische oder Zeitdimension und die Dimensionsachse durchgehend ist. Wenn die Option aktiviert ist, werden die Eigenschaften der Zeitreihenprognose sowohl im Fenster für die Dimension als auch im Fenster für die Kennzahl angezeigt. Die Dimensionseigenschaften bestimmen die Horizontentfernung und die Inkrementeinstellungen. Die Kennzahleigenschaften legen die Methode, das Linien- und Schattenformat, die Konfidenzeinstellung und das Konfidenzniveau fest. ## OLS- und SSA-Methode OLS (gewöhnliche Methode der kleinsten Quadrate) ist eine einfache Regressionsmodell-Methode, die eine Trendlinie berechnet. Dabei wird die Summe der Quadrate von Differenzen zwischen der beobachteten abhängigen Variablen und der vorhergesagten abhängigen Variablen minimiert. Diese Zeitreihenprognose-Option eignet sich, wenn Benutzer den linearen Trend ihrer Daten sehen möchten. Sie kontrolliert kein Rauschen für Ausreißer, sondern verwendet einfach alle Daten, um eine lineare Regressionslinie zu generieren. Im Gegensatz zu OLS ist SSA (singuläre Spektralanalyse) ein ausgeklügelter Algorithmus, der neben dem Trend auch Rauschen und Saisonalität identifizieren kann. Für SSA müssen Stichproben mit ausreichender Regelmäßigkeit vorliegen. Wenn eine bestimmte Grenze überschritten wird, wird ein Fehler zurückgegeben, der besagt, dass die Daten zu unregelmäßig sind. SSA ist die beste Option für die Prognose von Trends mit zyklischem oder oszillierendem Verhalten. Wenn die SSA-Methode zum Erstellen einer Prognose verwendet wird, schätzt dieser Algorithmus die Mitte des Bereichs möglicher Werte der abhängigen Kennzahl. Die Linie wird durch ein Prognoseintervall verlängert, das einen möglichen Wertebereich bereitstellt. Anstatt zahlreiche mögliche Werte darzustellen, wird das Prognoseintervall als schattierte Fläche angezeigt. ## Einschränkungen der Zeitreihenprognose Die Zeitreihenprognose weist die folgenden Einschränkungen auf: * Die Prognose ist nicht für Drilldown-Dimensionen verfügbar. * Die Prognose ist für Diagramme mit mehr als einer Dimension nicht aktiviert. Wenn eine Dimension und mehrere Kennzahlen vorhanden sind, kann die Prognose nur für eine Kennzahl aktiviert werden. * Die Prognose funktioniert nur, wenn die Standardsortierung eingerichtet ist. Weitere Informationen finden Sie unter [Ändern der Sortierung einer Visualisierung](https://help.qlik.com/de-DE/cloud-services/Subsystems/Hub/Content/Sense_Hub/Visualizations/change-sorting-of-visualization.htm). * Minimale Datenpunkte: OLS erfordert mindestens 2 Datenpunkte. SSA erfordert mindestens 6 Datenpunkte. * Maximale Datenpunkte: Es wird nicht empfohlen, Algorithmen für Datensätze mit mehr als 5000 Datenpunkten zu verwenden. Bei Zeitreihenprognosen für Datensätze mit mehr als 5000 Datenpunkten können Leistungsprobleme auftreten. Benutzer und Anwendungsentwickler müssen die Berechnungsbedingung wie erforderlich verwenden, damit das Diagramm angezeigt werden kann, nachdem der Datensatz durch Auswahlen reduziert wurde. Die Auswahlen sollten fortlaufend sein; siehe den folgenden Punkt zu unregelmäßigen Zeitstichproben. * Die Prognose funktioniert unter bestimmten Umständen mit unregelmäßigen Zeitstichproben: OLS funktioniert immer, da es nicht auf Zeitreihenprognosen oder regelmäßige Daten beschränkt ist. Für SSA müssen Stichproben mit ausreichender Regelmäßigkeit vorliegen. Wenn eine bestimmte Grenze überschritten wird, wird ein Fehler zurückgegeben, der besagt, dass die Daten zu unregelmäßig sind. * Prognosen funktionieren in der Qlik Analytics Mobil-App im Offline-Modus nicht. * Wenn eine Anwendung mit Prognose aus Qlik Cloud exportiert und in QSEoW importiert wird, wird das Prognosediagramm nicht angezeigt. In QSEoW werden Prognosen nicht unterstützt. * Wenn Sie ein Liniendiagramm als Microsoft Excel-Datei herunterladen, werden vorhergesagte Werte nicht in die Datei eingeschlossen. * Wenn Sie mit der rechten Maustaste auf ein Liniendiagramm klicken und Daten anzeigen auswählen, werden vorhergesagte Werte nicht angezeigt. * Zeitreihenprognosen sind nicht verfügbar, wenn Dimensionen oder Kennzahlen im Liniendiagramm eine Anzeigebedingung verwenden. ## Beispiel [](https://help.qlik.com/en-US/cloud-services/Subsystems/Hub/Content/Sense_Hub/Visualizations/LineChart/timeseries-forecast.htm) #### Beispiel – Zeitreihenprognose Dieses Beispiel zeigt die Erstellung eines Liniendiagramms mit aktivierter Zeitreihenprognose. Dieses Beispiel verwendet einen Datensatz mit zwei Feldern: Date für die fortlaufende Dimension und Tot-KWh, täglicher Stromverbrauch (Kilowattstunden) für die Kennzahl. Prognosen sind aktiviert, um anzuzeigen, wo die Stromverbrauchsraten innerhalb eines konfigurierbaren Konfidenzintervalls wahrscheinlich fallen werden. Ladeskript Laden Sie die folgenden Daten als Inline-Ladevorgang in den Dateneditor: ``` MyTable: Load * Inline [ Date,Tot-KWh 2021-10-27,269 2021-10-28,380 2021-10-29,410 2021-10-30,380 2021-10-31,344 2021-11-01,275 2021-11-02,299 2021-11-03,545 2021-11-04,326 2021-11-05,405 2021-11-06,333 2021-11-07,395 2021-11-08,416 2021-11-09,697 2021-11-10,500 2021-11-11,600 2021-11-12,560 2021-11-13,494 2021-11-14,362 2021-11-15,470 2021-11-16,366 2021-11-17,548 ]; ``` Weitere Informationen über Inline-Ladevorgänge finden Sie unter [Verwenden von Inline-Ladevorgängen zum Laden von Daten](https://help.qlik.com/de-DE/cloud-services/Subsystems/Hub/Content/Sense_Hub/Scripting/inline-loads-qs.htm). Erstellen eines Liniendiagramms mit Zeitreihenprognose Gehen Sie folgendermaßen vor: 1. Ziehen Sie aus dem Extras-Fenster ein leeres Liniendiagramm auf ein neues Arbeitsblatt. 2. Wählen Sie Klicken, um Titel hinzuzufügen, und nennen Sie das Diagramm Daily electricity consumption in KW hours. 3. Wählen Sie Neue Dimension und fügen Sie das Feld Date hinzu. 4. Wählen Sie Kennzahl hinzufügen und fügen Sie die Kennzahl Avg([Tot-KWh])hinzu. 5. Erweitern Sie im Eigenschaftsfenster im Abschnitt Darstellung die Eigenschaften Präsentation und wählen Sie Keine für Scroll-Leiste. 6. Öffnen Sie die Kennzahleneigenschaften und wählen Sie die folgenden Eigenschaften aus: * Verwenden Sie den Selektor, um Prognose zu aktivieren. * Ändern Sie die Farbe zu #006580. * Bewegen Sie den Schieberegler, um die Linienstärke in 2 zu ändern. * Wählen Sie den Linientyp aus: Gestrichelt. * Behalten Sie den Standardwert für Linienkurve bei: Linear. * Behalten Sie den Standardwert für Konfidenz anzeigen bei: Ein. * Ändern Sie den Wert für Konfidenzniveau vom Standardwert .95 in .85. Kennzahleneigenschaften für die Prognose Kennzahleneigenschaften für die Prognose Kennzahleneigenschaften für die Prognose![Kennzahleneigenschaften der Prognose](https://help.qlik.com/de-DE/cloud-services/Subsystems/Hub/Content/Resources/Images/ex_TimeSeries_MeasureProps.png) 7. Öffnen Sie die Dimensionseigenschaften und wählen Sie die folgenden Eigenschaften aus: * Behalten Sie den Standardwert für Prognoseschritte bei: 3. * Behalten Sie den Standardwert für den Schrittgröße-Multiplikator bei: 1. * Behalten Sie die Zeit- und Zahleneinheit in der Dropdown-Auswahl bei: Tage. Dimensionseigenschaften für die Prognose Dimensionseigenschaften für die Prognose Dimensionseigenschaften für die Prognose![Dimensionseigenschaften der Prognose](https://help.qlik.com/de-DE/cloud-services/Subsystems/Hub/Content/Resources/Images/ex_TimeSeries_DimensionProps.png) Liniendiagramm mit Prognose, die das Tagesintervall zeigt Liniendiagramm mit Prognose, die das Tagesintervall zeigt Liniendiagramm mit Prognose, die das Tagesintervall zeigt ![Liniendiagramm mit aktivierter Zeitreihenprognose mit Tages-Zeit-Intervall](https://help.qlik.com/de-DE/cloud-services/Subsystems/Hub/Content/Resources/Images/ex_Timeseries_UnitDay.png) 8. Erweitern Sie die Dimensionseigenschaften: * Behalten Sie den Wert für Prognoseschritte bei: 3. * Behalten Sie den Standardwert für den Schrittgröße-Multiplikator bei: 1. * Ändern Sie die Zeit- und Zahleneinheit in der Dropdown-Auswahl: Wochen. 9. Wählen Sie im Abschnitt Präsentation die Option Datenpunkte anzeigen aus. Prognose mit dem Intervall Wochen über 3 Wochen Prognose mit dem Intervall Wochen über 3 Wochen Prognose mit dem Intervall WochenWochen über 3 Wochen ![Prognose 3 Wochen mit Wochenintervall](https://help.qlik.com/de-DE/cloud-services/Subsystems/Hub/Content/Resources/Images/ex_TimeSeries_3Weeks.png) 10. Erweitern Sie die Dimensionseigenschaften: * Ändern Sie den Wert für Prognoseschritte: 21. * Behalten Sie den Standardwert für den Schrittgröße-Multiplikator bei: 1. * Ändern Sie die Zeit- und Zahleneinheit in der Dropdown-Auswahl: Tage. 11. Wählen Sie im Abschnitt Präsentation die Option Datenpunkte anzeigen aus. In dieser Demo wird gezeigt, wie Prognosen abhängig von der Granularität von Zeiteinheiten (Tage oder Wochen) im gleichen Zeitintervall sehr unterschiedlich ausfallen können. Prognose mit dem Intervall Tage über 3 Wochen Prognose mit dem Intervall Tage über 3 Wochen Prognose mit dem Intervall TageTage über 3 Wochen ![Prognose 3 Wochen mit Tagesintervall](https://help.qlik.com/de-DE/cloud-services/Subsystems/Hub/Content/Resources/Images/ex_TimeSeries_21Days.png) InformationshinweisBeachten Sie, dass Diagramme zwar Prognosen mit der gleichen Zeitdauer enthalten können, Änderungen an der Granularität aber zu sehr unterschiedlichen Formen führen. ## Zeitreihenprognosen mit Qlik Predict Mit Qlik Predict können Sie Modelle für maschinelles Lernen trainieren, um zukünftige Metriken basierend auf Zeitreihendaten vorherzusagen. Vorhersagen sind zeitspezifisch und können in das Liniendiagramm und andere Visualisierungen in Ihrer Analyseanwendung integriert werden. Modelle ermöglichen mehrere Features und individualisierte Vorhersagen für verschiedene Gruppen, indem sie die Daten für Ihre Zielmetrik kategorisieren. Dadurch können Sie Muster für multivariate Szenarien – solche, die die Interaktion von mehr als einer Variable im Zeitverlauf beinhalten – untersuchen und vorhersagen. Um Zeitreihenprognosen in Qlik Predict zu erstellen, erstellen Sie ein Zeitreihenexperiment und stellen Sie dann ein Modell bereit, um Vorhersagen für neue Daten zu erstellen. Weitere Informationen finden Sie unter: * [Arbeiten mit Zeitreihenexperimenten](https://help.qlik.com/de-DE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/time-series-experiment.htm) * [Arbeiten mit multivariaten Zeitreihenprognosen](https://help.qlik.com/de-DE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm) Zugehörige Lerninhalte: * [Wie erstelle ich eine Prognose gestützt auf Zeitreihendaten in Qlik Cloud?](https://help.qlik.com/lnk/How_forecast_timeseries_data_qlikcloud) ## Weitere Informationen * [Wie erstelle ich eine Prognose gestützt auf Zeitreihendaten in Qlik Cloud?](https://help.qlik.com/lnk/How_forecast_timeseries_data_qlikcloud)