Utilizzo degli esperimenti di serie temporali

Con gli esperimenti di serie temporali, è possibile addestrare modelli per prevedere le metriche corrispondenti a specifici periodi di tempo futuri, ad esempio le vendite per la prossima settimana o il prossimo mese. In Qlik Predict, i modelli di serie temporali generano previsioni multivariate che supportano destinazioni raggruppate e funzioni future. La previsione di serie temporali è disponibile per esperimenti che utilizzano una destinazione numerica.

Casi d'uso

La previsione di serie temporali è utile ogni volta che sono necessarie previsioni sensibili alla data per metriche numeriche. Esistono molti scenari in cui la previsione di serie temporali è utile, tra cui:

• Previsioni di vendita e finanziarie

• Previsioni di inventario e scorte

• Previsione del consumo e della domanda di energia

• Previsione delle spese

Che cos'è una previsione di serie temporali multivariate?

La previsione di serie temporali multivariate è la previsione di dati futuri per gli scenari che coinvolgono più di una variabile. Gli esperimenti di serie temporali consentono di esplorare modelli temporali specifici tra più destinazioni (introdotti tramite i gruppi) e più funzioni. A differenza delle previsioni effettuate con modelli di classificazione e regressione, le previsioni di serie temporali sono specifiche per una data o un'ora specifiche. Ad esempio, si potrebbe desiderare di prevedere le vendite per le prossime due settimane, con le date associate che vanno dal 1° al 14 gennaio.

Parte 1: preparazione di un set di dati di addestramento

Per iniziare, preparare un set di dati di addestramento. Il set di dati di addestramento deve includere dati storici misurati a intervalli di tempo coerenti.Per i dettagli completi, vedere Preparazione di un set di dati di addestramento.

Parte 2: creazione di un esperimento di serie temporali

È possibile creare un esperimento di serie temporali creando un esperimento di ML e quindi selezionando Serie temporali come Tipo di esperimento.

Per configurare un esperimento come esperimento di serie temporali, la destinazione deve essere numerica e avere più di 11 valori univoci (anche se ne sono necessari molti di più per generare un modello di alta qualità). Il set di dati deve anche avere una colonna contenente informazioni su data o data/ora registrate a intervalli di tempo coerenti.

Procedere come indicato di seguito:

1. Creare un esperimento di ML dal centro attività Analisi. Vedere Creazione di esperimenti.

2. Dopo aver selezionato un set di dati di addestramento, fare clic su Visualizza configurazione per espandere il pannello di configurazione dell'esperimento.

3. Espandere Destinazione e tipo di esperimento.

4. Utilizzare il menu a discesa per selezionare una destinazione.

5. In Tipo di esperimento, selezionare Serie temporali.

Parte 3: configurazione dell'esperimento di serie temporali

Successivamente, è necessario configurare i parametri specifici per le previsioni che si desidera effettuare con il modello di serie temporali. Questi parametri sono specifici per gli esperimenti di serie temporali. Per le descrizioni sul significato di ciascun parametro, vedere Utilizzo della previsione di serie temporali multivariate.

Procedere come indicato di seguito:

1. In Indice data, selezionare la colonna indice da utilizzare.

   Indicizzazione data

2. Facoltativamente, utilizzare i menu a discesa per Gruppi e Funzioni future per aggiungere raggruppamenti di destinazione e funzioni future all'addestramento del modello.

   Gruppi

   Funzioni future

3. Nella sezione Basato sui tuoi dati, impostare la Dimensione della finestra di previsione e la Dimensione dell'intervallo di previsione in fasi temporali.

   Fasi temporali

   Orizzonte di previsione

Parte 4: configurazione degli altri parametri dell'esperimento

Come con altri tipi di esperimento, ci sono altre proprietà — non univoche per gli esperimenti di serie temporali — che potrebbe essere necessario regolare nella configurazione dell'esperimento. Tra cui:

• Selezione delle caratteristiche

• Selezione degli algoritmi

• Modifica dei tipi di funzionalità

Per i dettagli completi, vedere Configurazione di esperimenti.

Parte 5: esecuzione dell'addestramento

Procedere come indicato di seguito:

• Nella barra inferiore, fare clic su Esegui addestramento.

Passaggi successivi

Analisi del modello

Una volta completato l'addestramento, è possibile analizzare i modelli e valutarne la qualità. Se necessario, creare ulteriori iterazioni dell'esperimento per affinare i risultati.

Per ulteriori informazioni, vedere Revisione dei modelli.

Distribuzione e approvazione del modello

Dopo aver analizzato i modelli, distribuire il migliore in una distribuzione di ML e quindi attivarlo per effettuare le previsioni.

Per ulteriori informazioni, vedere Distribuzione di modelli e Approvazione di modelli distribuiti.

Preparazione dei set di dati di applicazione e creazione delle previsioni

Dopo aver distribuito il modello, comprendere i requisiti per i set di dati di applicazione che verranno utilizzati per generare le previsioni. Vedere Preparazione di un set di dati di applicazione.

Una volta preparato il set di dati di applicazione, creare le previsioni utilizzando il modello di serie temporali. È possibile creare:

• Previsioni in blocco

  Creazione di previsioni su set di dati

• Previsioni in tempo reale

  Creazione di previsioni in tempo reale

Limiti e considerazioni

• È possibile selezionare fino a due gruppi per un esperimento di serie temporali. La colonna selezionata come gruppo deve essere categorica. Questa colonna può contenere dati numerici, ma durante l'addestramento la colonna viene trattata come categorica.

• La finestra di previsione può includere un massimo di 180 fasi temporali. Per ulteriori informazioni, vedere Finestra di previsione massima.

• L'ottimizzazione intelligente del modello non è applicabile a esperimenti di serie temporali.

• Gli esperimenti di serie temporali non supportano l'ottimizzazione manuale.

• Gli esperimenti di serie temporali non supportano l'ottimizzazione degli iperparametri.

• Gli esperimenti di serie temporali non supportano time-aware.

• L'ingegneria delle funzionalità di testo libero automatica non è disponibile per gli esperimenti di serie temporali.

• Quando si seleziona una colonna di indicizzazione per la data in un esperimento di serie temporali, per questa colonna viene utilizzato il tipo di funzione data. Tuttavia, la progettazione delle funzioni per la data non è supportata per i modelli di serie temporali. Le funzioni della data progettate automaticamente non sono disponibili per essere derivate dalla colonna.

• Gli esperimenti di serie temporali addestrano modelli con algoritmi di deep learning. Pertanto, a seconda delle dimensioni dei dati e della finestra di previsione, i modelli di serie temporali solitamente richiedono più tempo per l'addestramento rispetto ai modelli di regressione e classificazione.

Per le limitazioni relative alla creazione di previsioni con i modelli di serie temporali, vedere Limitazioni.

Tutorial

Per un tutorial completo che illustra la previsione di serie temporali, dall'addestramento del modello alla previsione, vedere Tutorial – Previsione delle vendite con previsione multivariata di serie temporali.