Utilizzo degli esperimenti sulle serie temporali

Con gli esperimenti sulle serie temporali, è possibile addestrare modelli per prevedere metriche corrispondenti a periodi di tempo futuri specifici, ad esempio le vendite per la settimana o il mese successivi. In Qlik Predict, i modelli di serie temporali generano previsioni multivariate che supportano target raggruppati e funzionalità future. La previsione delle serie temporali è disponibile per gli esperimenti che coinvolgono un target numerico.

Casi d'uso

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

• Previsioni finanziarie e delle vendite

• Previsione dell'inventario e delle scorte

• Previsione dell'utilizzo e della domanda di energia

• Previsione delle spese

Cos'è la previsione delle serie temporali multivariata?

La previsione delle serie temporali multivariata è la previsione di dati futuri per scenari che coinvolgono più di una variabile. Gli esperimenti sulle serie temporali consentono di esplorare modelli specifici del tempo tra più target (introdotti tramite gruppi) e più funzionalità. A differenza delle previsioni effettuate con modelli di classificazione e regressione, le previsioni delle serie temporali sono specifiche per una data o un'ora particolare. Ad esempio, si potrebbero voler prevedere le vendite per le due settimane successive, con le date associate comprese tra il 1° e il 14 gennaio.

Parte 1: Preparare un dataset di addestramento

Iniziare preparando un dataset di addestramento. Il dataset 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: Creare un esperimento sulle serie temporali

Si crea un esperimento sulle serie temporali creando un esperimento ML e selezionando quindi Serie temporali come Tipo di esperimento.

Per configurare un esperimento come esperimento sulle serie temporali, il target deve essere numerico e avere più di 11 valori univoci (sebbene ne siano necessari molti di più per produrre un modello di alta qualità). Il dataset deve inoltre contenere una colonna con informazioni sulla data o sulla data/ora registrate in un intervallo di tempo coerente.

Procedere come indicato di seguito:

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

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

3. Espandere Impostazioni esperimento.

4. Utilizzare il menu a discesa per selezionare un target.

5. In Tipo di esperimento, selezionare Serie temporali.

Parte 3: Configurare l'esperimento sulle 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 sulle serie temporali. Per le descrizioni del significato di ciascun parametro, vedere Lavorare con la previsione di serie temporali multivariate.

Procedere come indicato di seguito:

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

   Indice data

2. Nella sezione In base ai dati, impostare Dimensione desiderata della finestra di previsione e Dimensione desiderata del gap di previsione, in intervalli temporali.

   Fasi temporali

   Orizzonte di previsione

3. Opzionalmente, utilizzare i menu a discesa per Gruppi e Funzionalità future per aggiungere raggruppamenti di target e funzionalità future all'addestramento del modello.

   Gruppi

   Funzionalità future

Parte 4: Configurare altri parametri dell'esperimento

Come per altri tipi di esperimento, vi sono altre proprietà, non esclusive degli esperimenti sulle serie temporali, che potrebbe essere necessario regolare nella configurazione dell'esperimento. Queste includono:

• Selezione delle funzionalità

• Selezione degli algoritmi

• Modifica dei tipi di funzionalità

• Configurazione del rilevamento delle distorsioni

Per i dettagli completi, vedere Configurazione degli esperimenti.

Parte 5: Eseguire l'addestramento

Procedere come indicato di seguito:

• Fare clic su Esegui esperimento.

Passaggi successivi

Analisi del modello

Al termine dell'addestramento, è possibile analizzare i modelli e valutarne la qualità. Se necessario, creare ulteriori iterazioni dell'esperimento per perfezionare 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 ML, quindi attivarlo per effettuare previsioni.

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

Preparazione dei dataset di applicazione e creazione delle previsioni

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

Dopo aver preparato il dataset di applicazione, creare previsioni utilizzando il modello di serie temporali. È possibile creare:

• Previsioni batch

  Creazione di previsioni su set di dati

• Previsioni in tempo reale

  Creazione di previsioni in tempo reale

Limitazioni e considerazioni

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

• La finestra di previsione massima può arrivare fino a 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 sulle serie temporali non supportano l'ottimizzazione manuale.

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

• Gli esperimenti sulle serie temporali non supportano l'addestramento sensibile al fattore tempo.

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

• Gli esperimenti sulle serie temporali supportano dataset di addestramento fino a 1 GiB di dimensione. Per ulteriori informazioni, vedere Dataset di training e limitazioni di profilazione.

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

Tutorial

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