Utilisation d’expérimentations de série temporelle

Avec les expérimentations de série temporelle, vous pouvez effectuer l'apprentissage de modèles pour projeter des métriques correspondant à des périodes futures spécifiques — par exemple, les ventes de la semaine ou du mois prochain(e). Dans Qlik Predict, les modèles de série temporelle génèrent des projections multivariables qui supportent les cibles groupées et les caractéristiques futures. La projection de série temporelle est disponible pour les expérimentations impliquant une cible numérique.

Cas d'utilisation

La projection de série temporelle s'avère utile chaque fois que vous avez besoin de prédictions sensibles aux dates pour des métriques numériques. Il existe de nombreux scénarios dans lesquels la projection de série temporelle s'avère utile, notamment :

• Projections commerciales et financières

• Prédiction d'inventaires et de stocks

• Prédiction de consommation et de demande d'énergie

• Prédiction des dépenses

Qu'est-ce que la projection de série temporelle multivariables ?

La projection de série temporelle multivariables est la prédiction de données futures dans des scénarios impliquant plus d'une variable. Les expérimentations de série temporelle vous permettent d'explorer des tendances spécifiques au temps entre plusieurs cibles (introduites via des groupes) et plusieurs caractéristiques. Contrairement aux prédictions effectuées avec des modèles de classification et de régression, les prédictions de série temporelle sont spécifiques à une date ou une heure particulière. Par exemple, vous pourriez souhaiter prédire vos ventes pour les deux prochaines semaines, les dates associées étant du 1er au 14 janvier.

Première partie : Préparation d'un jeu de données d'apprentissage

Commencez par préparer un jeu de données d'apprentissage. Le jeu de données d'apprentissage doit inclure des données historiques mesurées à des intervalles de temps réguliers. Pour des informations complètes, consultez Préparation d'un jeu de données d'apprentissage.

Deuxième partie : Création d'une expérimentation de série temporelle

Vous créez une expérimentation de série temporelle en créant une expérimentation ML, puis en sélectionnant Série temporelle comme Type d'expérimentation.

Pour configurer une expérimentation en tant qu'expérimentation de série temporelle, il faut que la cible soit numérique et qu'elle comporte plus de 11 valeurs uniques (bien que beaucoup plus soient nécessaires pour produire un modèle de haute qualité). Le jeu de données doit également comporter une colonne contenant des informations de date ou de date et heure enregistrées sur un intervalle de temps régulier.

Procédez comme suit :

1. Créez une expérimentation ML depuis le centre d'activités Analytiques. Consultez Création d'expérimentations.

2. Après avoir sélectionné un jeu de données d'apprentissage, cliquez sur Afficher la configuration pour développer le panneau Configuration de l'expérimentation.

3. Développez Type de cible et d'expérimentation.

4. Utilisez le menu déroulant pour sélectionner une cible.

5. Sous Type d'expérimentation, sélectionnez Série temporelle.

Troisième partie : Configuration de votre expérimentation de série temporelle

Ensuite, vous devez configurer des paramètres spécifiques aux prédictions que vous souhaitez effectuer avec votre modèle de série temporelle. Ces paramètres sont propres aux expérimentations de série temporelle. Pour des descriptions de ce que signifie chaque paramètre, consultez Utilisation de la projection de série temporelle multivariables.

Procédez comme suit :

1. Sous Index de date, sélectionnez la colonne d'index à utiliser.

   Index de date

2. Vous pouvez éventuellement utiliser les menus déroulants Groupes et Caractéristiques futures afin d'ajouter des regroupements cibles et des caractéristiques futures à l'apprentissage du modèle.

   Groupes

   Caractéristiques futures

3. Dans la section Informations basées sur vos données, définissez la Taille de la fenêtre de projection et la Taille de l'écart de projection, en étapes temporelles.

   Étapes temporelles

   Horizon de projection

Quatrième partie : Configuration d'autres paramètres d'expérimentation

Comme avec d'autres Types d'expérimentation, il existe d'autres propriétés — non spécifiques aux expérimentations de série temporelle — que vous devrez peut-être ajuster dans la configuration de votre expérimentation. Elles comprennent notamment :

• Sélection de caractéristiques

• Sélection d'algorithmes

• Modification des types de caractéristiques

Pour des informations détaillées complètes, consultez Configuration d'expérimentations.

Cinquième partie : Exécution de l'apprentissage

Procédez comme suit :

• Dans la barre inférieure, cliquez sur Exécuter l'apprentissage.

Étapes suivantes

Analyse des modèles

Une fois l'apprentissage terminé, vous pouvez analyser les modèles et évaluer leur qualité. Au besoin, créez d'autres itérations de l'expérimentation pour affiner les résultats.

Pour plus d'informations, consultez Examen des modèles.

Déploiement et approbation de modèles

Après avoir analysé les modèles, déployez le meilleur dans un déploiement ML, puis activez-le pour effectuer des prédictions.

Pour plus d'informations, consultez Déploiement de modèles et Approbation de modèles déployés.

Préparation des jeux de données à appliquer et création de prédictions

Après avoir déployé votre modèle, comprenez les conditions relatives aux jeux de données à appliquer que vous utiliserez pour générer des prédictions. Consultez Préparation d'un jeu de données à appliquer.

Une fois que vous avez préparé le jeu de données à appliquer, créez des prédictions à l'aide de votre modèle de série temporelle. Vous pouvez créer les éléments suivants :

• Prédictions par lot

  Création de prédictions sur des jeux de données

• Prédictions en temps réel

  Création de prédictions en temps réel

Limitations et considérations générales

• Vous pouvez sélectionner jusqu'à deux groupes pour une expérimentation de série temporelle. La colonne que vous sélectionnez comme groupe doit être catégorique. Cette colonne peut contenir des données numériques, mais, lors de l'apprentissage, la colonne est traitée comme étant catégorique.

• La fenêtre de projection maximale peut atteindre 180 pas temporels. Pour plus d'informations, consultez Fenêtre de projection maximale.

• L'optimisation de modèle intelligente n'est pas applicable aux expérimentations de série temporelle.

• Les expérimentations de série temporelle ne supportent pas l'optimisation manuelle.

• Les expérimentations de série temporelle ne supportent pas l'optimisation des hyperparamètres.

• Les expérimentations de série temporelle ne supportent pas l'apprentissage temporel.

• L'ingénierie automatique des caractéristiques de texte libre n'est pas disponible pour les expérimentations de série temporelle.

• Lorsque vous sélectionnez une colonne d'index de dates pour une expérimentation de série temporelle, le type de caractéristique date est utilisé pour cette colonne. Cependant, l'ingénierie des caractéristiques date n'est pas supportée pour les modèles de série temporelle. Les caractéristiques date auto-conçues ne peuvent pas être dérivées de la colonne.

• Les expérimentations de série temporelle effectuent l'apprentissage de modèles à l'aide d'algorithmes d'apprentissage profond. Par conséquent, suivant la taille des données et la fenêtre de projection, l'apprentissage des modèles de série temporelle prend généralement plus de temps que celui des modèles de régression et de classification.

Pour les limitations liées à la création de prédictions avec des modèles de série temporelle, consultez Limitations.

Didacticiel

Pour un didacticiel complet faisant une démonstration de la projection de série temporelle, de l'apprentissage du modèle à la prédiction, consultez Didacticiel — Prédiction de ventes avec une projection de série temporelle multivariables.