Trabajar con experimentos de series temporales

Con experimentos de series temporales, puede entrenar modelos para pronosticar métricas correspondientes a períodos de tiempo futuros específicos —por ejemplo, las ventas de la próxima semana o el próximo mes. En Qlik Predict, los modelos de series temporales generan previsiones multivariantes que admiten objetivos agrupados y características futuras. La previsión de series temporales está disponible para experimentos que implican un objetivo numérico.

Casos de uso

La previsión de series temporales es útil siempre que necesite predicciones sensibles a la fecha para métricas numéricas. Hay muchos escenarios en los que la previsión de series temporales es útil, entre ellos:

• Previsión de ventas y previsiones financieras

• Previsión de inventario y existencias

• Previsión del uso y la demanda de energía

• Previsión de gastos

¿Qué es la previsión de series temporales multivariantes?

La previsión de series temporales multivariantes es la predicción de datos futuros para escenarios que implican más de una variable. Los experimentos de series temporales le permiten explorar patrones específicos de tiempo entre múltiples objetivos (introducidos a través de grupos) y múltiples características. A diferencia de las predicciones realizadas con modelos de clasificación y regresión, las predicciones de series temporales son específicas de una fecha u hora determinada. Por ejemplo, es posible que desee predecir sus ventas para las próximas dos semanas, siendo las fechas asociadas del 1 al 14 de enero.

Parte 1: prepare un conjunto de datos de entrenamiento

Empiece por preparar un conjunto de datos de entrenamiento. El conjunto de datos de entrenamiento debe incluir datos históricos medidos a intervalos de tiempo constantes.Para ver los detalles completos, consulte Preparar un conjunto de datos de entrenamiento.

Parte 2: cree un experimento de series temporales

Cree un experimento de series temporales creando un experimento de ML y, a continuación, seleccionando Series temporales como el Tipo de experimento.

Para configurar un experimento como experimento de series temporales, el objetivo debe ser numérico y tener más de 11 valores únicos (aunque se necesitan muchos más para producir un modelo de alta calidad). El conjunto de datos también debe tener una columna que contenga información de fecha o fecha y hora registrada en un intervalo de tiempo constante.

Haga lo siguiente:

1. Cree un experimento de ML desde el centro de actividades Analítica. Consulte Crear experimentos.

2. Después de seleccionar un conjunto de datos de entrenamiento, haga clic en Ver configuración para ampliar el panel de configuración del experimento.

3. Expanda Objetivo y tipo de experimento.

4. Utilice el menú desplegable para seleccionar un objetivo.

5. En Tipo de experimento, seleccione Series temporales.

Parte 3: configure su experimento de series temporales

A continuación, deberá configurar los parámetros específicos de las predicciones que desea realizar con su modelo de series temporales. Estos parámetros son específicos para experimentos de series temporales. Para obtener descripciones de lo que significa cada parámetro, consulte Trabajar con la previsión de series temporales multivariantes.

Haga lo siguiente:

1. En Índice de fecha, seleccione la columna de índice que desea utilizar.

   Índice de fecha

2. Opcionalmente, utilice los menús desplegables de Grupos y Características futuras para añadir grupos de objetivo y características futuras al entrenamiento del modelo.

   Grupos

   Características futuras

3. En la sección Basado en sus datos, configure el Tamaño de la ventana de previsión y el Tamaño de la brecha de previsión, en intervalos de tiempo.

   Intervalos de tiempo

   Horizonte de previsión

Parte 4: configure otros parámetros del experimento

Al igual que con otros tipos de experimento, hay otras propiedades —no exclusivas de los experimentos de series temporales— que puede que necesite ajustar en la configuración de su experimento. Entre estas se incluyen:

• Seleccionar características

• Seleccionar algoritmos

• Cambiar los tipos de características

Para ver los detalles completos, consulte Configurar experimentos.

Parte 5: ejecute el entrenamiento

Haga lo siguiente:

• En la barra inferior, haga clic en Ejecutar el entrenamiento.

Pasos siguientes

Análisis del modelo

Una vez completado el entrenamiento, puede analizar los modelos y evaluar su calidad. Según sea necesario, cree más iteraciones del experimento para refinar los resultados.

Para más información, vea Revisar los modelos.

Implementación y aprobación de modelos

Después de analizar los modelos, implemente el mejor en una implementación de ML y, a continuación, actívelo para realizar predicciones.

Para más información, vea Implementar los modelos y Aprobar los modelos implementados.

Preparación de conjuntos de datos de aplicación y creación de predicciones

Después de implementar su modelo, entienda a fondo los requisitos para los conjuntos de datos de aplicación que utilizará para generar predicciones. Consulte Preparar un conjunto de datos de aplicación.

Cuando haya preparado el conjunto de datos de aplicación, cree predicciones utilizando su modelo de series temporales. Puede crear:

• Predicciones por lotes

  Crear predicciones sobre conjuntos de datos

• Predicciones en tiempo real

  Crear predicciones en tiempo real

Limitaciones y consideraciones

• Puede seleccionar hasta dos grupos para un experimento de series temporales. La columna que seleccione como grupo debe ser categórica. Esta columna puede contener datos numéricos, pero durante el entrenamiento, la columna se trata como categórica.

• La ventana de previsión máxima puede ser de hasta 180 intervalos de tiempo. Para más información, vea Ventana de previsión máxima.

• La optimización inteligente de modelos no es aplicable a los experimentos de series temporales.

• Los experimentos de series temporales no admiten la optimización manual.

• Los experimentos de series temporales no admiten la optimización de hiperparámetros.

• Los experimentos de series temporales no admiten el entrenamiento basado en el tiempo.

• La ingeniería automática de características de texto libre no está disponible para experimentos de series temporales.

• Cuando selecciona una columna de índice de fecha para un experimento de series temporales, el tipo de característica de fecha se utiliza para esta columna. Sin embargo, la ingeniería de características de fecha no es compatible con los modelos de series temporales. Las características de fecha generadas automáticamente no están disponibles para derivarse de la columna.

• Los experimentos de series temporales entrenan modelos con algoritmos de aprendizaje profundo. Por lo tanto, dependiendo del tamaño de los datos y la ventana de previsión, los modelos de series temporales suelen tardar más en entrenarse que los modelos de regresión y clasificación.

Para conocer las limitaciones relacionadas con la creación de predicciones con modelos de series temporales, consulte Limitaciones.

Tutorial

Para ver un tutorial completo que muestra la previsión de series temporales, desde el entrenamiento del modelo hasta la predicción, consulte Tutorial – Predicción de ventas con previsión de series temporales multivariantes.