다변량 시계열 예측 작업

Qlik Predict를 사용하면 기계 학습 모델을 훈련하여 시간별 지표를 예측할 수 있습니다. 신경망 기반 방법을 사용하여 모델은 시간별 연관성, 그룹화된 대상 데이터, 과거 기능 및 알려진 미래 변수와 관련된 복잡한 패턴을 학습하고 예측합니다. 시계열 예측을 생성하려면 훈련 데이터 세트를 준비하고, 이를 시계열 실험에 사용하고, 모델을 배포한 다음, 예측을 생성하는 데 사용할 수 있는 적용 데이터 세트를 생성합니다.

대상

다른 실험 유형과 마찬가지로 대상은 모델이 미래 값을 예측하도록 하려는 열입니다. 시계열 실험의 경우 대상에는 숫자 데이터(예: 매출 또는 재고)가 포함되어야 합니다.

시계열 예측에서 그룹을 사용하는 경우 모델은 예측 창의 시간 단계당 그룹별로 하나의 대상 값을 예측합니다. 그룹을 사용하지 않는 경우 훈련된 모델은 예측 창의 각 시간 단계에 대해 하나의 대상 값을 예측합니다.

날짜 인덱스

날짜 인덱스는 연속적인 시간 간격(시간 단계)에 걸쳐 시계열 지표를 추적합니다. 초기 단계에서 시간 단계를 결정해야 합니다. 미래 값을 얼마나 자주 예측해야 합니까?

구체적으로 날짜 인덱스는 시계열 문제에 대한 훈련 및 적용 데이터 세트에 나타나는 열입니다. 날짜 인덱스는 이 두 적용 데이터 세트의 구조를 결정합니다. 각 행은 시간 단계(또는 그룹의 경우 각 고유 그룹화에 대한 시간 단계)를 나타냅니다.

시계열 실험에 훈련 데이터 세트를 추가하면 가능한 날짜 인덱스 열이 자동으로 식별되어 열 수준에서 통찰력으로 표시됩니다. 스키마 보기의 가능한 날짜 인덱스 통찰력에서 이를 식별할 수 있습니다.

그룹은 예측을 별도로 생성하려는 범주형 정보가 포함된 기능입니다. 그룹의 전형적인 예로는 매장 번호와 제품이 있으며, 이는 매출과 같은 대상에 대한 데이터를 구성하는 데 사용될 수 있습니다. 매장 번호와 제품 유형을 그룹으로 선택하면 시계열 모델이 이러한 열의 각 개별 값에 대한 예측을 제공합니다. 예를 들어 매출을 대상으로 할 때 3개의 매장 번호(1, 2, 3)와 2개의 제품 유형(식료품 및 농산물)이 있는 경우 모델은 이러한 값의 각 고유 조합에 대한 매출 예측을 생성합니다.

데이터가 있고 범주별 개별 예측이 필요한 경우 시계열 문제에 그룹을 통합해야 합니다. 그룹의 또 다른 장점은 모델이 전역적으로 학습하여 정의한 여러 그룹화 사이에 존재하는 패턴을 더 잘 이해할 수 있다는 것입니다.

각 실험 버전에 사용할 그룹을 구성할 수 있습니다. 그룹을 지정하지 않았지만 훈련 데이터 세트에서 그룹이 식별되는 경우 훈련에서 그룹을 사용합니다.

그룹은 날짜 인덱 열의 중복 값으로 식별됩니다. 예를 들어 2025년 1월 14일 날짜의 경우 매장 A에 대한 레코드 하나와 매장 B에 대한 레코드 하나, 총 두 개의 레코드가 있습니다.

대상 자체를 포함하여 시계열 실험의 각 그룹은 데이터 세트 내에서 별도의 시계열로 간주됩니다. 시계열이란 무엇입니까?를 참조하십시오.

기본 및 보조 그룹

두 개의 그룹 열이 있는 시계열 문제의 경우 한 그룹은 기본 그룹이고 다른 그룹은 보조 그룹입니다. 예제는 훈련 데이터 세트 준비, 훈련 데이터 세트 예제 — 두 개의 그룹 및 적용 데이터 집합 예 — 두 그룹를 참조하십시오.

기본 그룹화는 독립적인 시계열을 정의합니다. 예를 들어 각 매장은 고유한 개별 시계열이 되어 모델이 매장 전체의 다양한 동작과 패턴을 학습할 수 있습니다.

보조 그룹화는 다르게 처리됩니다. 완전히 분리된 계열을 생성하는 대신 시스템은 해당 값을 추가 기능(공변량)으로 피벗하여 관련 하위 계열이 서로에게 컨텍스트 정보를 제공할 수 있도록 합니다.

실험에서 선택적으로 기본 그룹을 선택할 수 있지만 일반적으로 어떤 그룹이 기본이고 어떤 그룹이 보조인지 알 필요는 없습니다. 배포된 시계열 모델로 예측할 때 특정 고려 사항이 적용됩니다. 적용 데이터 세트 준비를 참조하십시오.

실험 버전을 구성할 때 예측 창과 간격 크기를 설정합니다. 이러한 값은 모델 훈련 중과 ML 배포로 배포된 모델에서 예측을 생성할 때 모두 사용됩니다.

예측 창은 미래를 예측하려는 시간 단계의 수입니다. 예를 들어 시간 단계가 1일이고 다음 2주 동안의 매출을 예측하려는 경우 예측 창을 14로 설정합니다.

예측 간격은 예측이 필요하지 않은 미래의 시간입니다. 예측 간격이 필요할 수도 있고 필요하지 않을 수도 있으므로 예측 간격을 설정하는 것은 선택 사항입니다. 예측 간격은 제공한 기록된 과거 훈련 데이터의 끝에서 시작됩니다. 예측 창은 예측 간격이 끝나는 곳에서 시작됩니다.

예를 들어 미래 매출을 예측하려고 하지만 입력 데이터가 끝난 후 1주일 이후의 날짜에 대한 미래 매출에만 관심이 있을 수 있습니다. 이 경우 시간 단계를 일 단위로 하여 예측 간격 크기를 7개의 시간 단계로 설정할 수 있습니다.

선택한 예측 창은 보유한 훈련 데이터의 양과 함께 미래를 얼마나 멀리 예측할 수 있는지를 제한합니다. 자세한 내용은 최대 예측 창를 참조하십시오.

미래 기능

미래 기능을 사용하면 이미 알고 있거나 합리적으로 예상할 수 있는 미래 정보에 대한 추가 데이터를 모델에 제공할 수 있습니다. 특히 선택한 예측 범위에 걸쳐 이 기능의 미래 값에 액세스할 수 있습니다. 미래 기능을 정의할 때 미래 데이터뿐만 아니라 과거 데이터도 제공해야 합니다.

예를 들어 매장에서 제공하는 미래 할인의 영향을 받을 수 있는 지표를 예측하는 모델의 경우 과거에 관찰된 할인과 예측 창 내의 미래 기간에 대한 할인을 포함할 수 있습니다. 미래 기능의 다른 예로는 날씨 또는 달력 정보가 있을 수 있습니다.

시간 단계

시간 단계는 훈련 데이터 세트에 의해 정의되며 훈련 및 예측 모두에 중요합니다.

훈련 데이터 세트에서 시간 단계는 날짜 인덱스의 데이터가 기록되는 간격입니다. 예를 들어 시간 단계는 매일, 매시간, 매분 또는 매초일 수 있습니다. 감지되는 가장 작은 시간 단계는 밀리초입니다.

훈련 데이터에 사용된 시간 단계를 인식하는 것이 중요합니다. 예측 창 및 예측 간격 크기와 같이 정의하는 다른 실험 매개 변수는 이 시간 단계 간격을 따릅니다.

모델을 배포한 후 예측을 생성하려는 적용 데이터는 훈련 데이터 세트에 정의된 것과 동일한 시간 단계를 따라야 합니다.

품질

훈련 데이터 세트를 선택하면 시스템은 사용된 시간 단계를 유추합니다. 날짜 인덱스에 누락된 값이나 간격이 있는 경우 대상, 그룹 및 공변량과 같은 열은 종종 시스템에서 자동으로 보간될 수 있습니다. 누락된 값으로 인해 발생하는 반복적인 간격 패턴은 자동으로 처리되며 그 자체로 새로운 시간 단계를 도입하지 않습니다. 그러나 데이터에 서로 다른 기본 시간 단계가 감지될 정도로 혼합된 기록 간격이 포함되어 있는 경우 데이터를 먼저 수정해야 합니다. 예를 들어 매일 한 번씩 기록된 몇 달 간의 데이터가 있지만 데이터가 매주 일관되게 기록되는 섹션이 있는 경우 여러 시간 단계가 감지되므로 데이터 세트를 사용할 수 없습니다.

적용 창

적용 창 또는 룩백 기간은 알고리즘이 지정된 예측 창에 대한 예측을 제공하는 데 사용할 수 있는 훈련 데이터의 일부입니다.

적용 창은 시스템에서 계산하고 설정합니다. 시간 단계로 측정됩니다. 적용 창은 예측 창 및 간격(예측 범위)으로 설정한 내용에 따라 정의됩니다. 적용 창 크기는 하나 이상의 실험 버전을 실행한 후 실험 구성 패널과 모델 훈련 요약에 표시됩니다. 또한 일괄 예측 구성을 생성하거나 편집할 때 ML 배포 모델 스키마에도 표시됩니다.

적용 창은 훈련 구성에서 자동으로 식별됩니다. 주어진 예측 창에 대한 예측을 생성하려면 최소한 적용 창을 포함하는 과거 데이터를 제공해야 합니다. 이는 적용 데이터 세트에서 제공됩니다. 적용 데이터 세트 준비를 참조하십시오.

최대 예측 창

최대 예측 창은 시계열 실험을 구성할 때 추정됩니다. 훈련 버전을 실행한 후 최대 예측 창이 확실하게 확인됩니다. 실험 구성 패널에서 대상 및 실험 유형을 열면 최대 예측 창이 데이터 기반 아래에 예상 최대 예측 또는 최대 예측으로 표시됩니다. 최대 예측 창은 선택한 예측 창, 제공한 과거 데이터의 양, 시스템에서 예상하는 최소 샘플 크기를 고려할 때 예측을 생성할 수 있는 최대 시간 단계 수입니다. 더 많은 과거 데이터를 제공할수록 더 먼 미래를 예측할 수 있습니다. 그러나 신뢰할 수 있는 예측을 생성하려면 합리적인 예측 창을 선택하는 것이 중요합니다.

최대 예측 기간은 180 시간 단계까지 가능합니다.

예측 컷오프 시간

예측 컷오프 시간은 예측 중에 적용 데이터 세트를 정의할 때 특히 중요합니다. 예측 컷오프 시간은 대상 값이 있는 샘플의 마지막 날짜입니다. 기본적으로 이 컷오프 시간 이후의 날짜는 예측을 생성하려는 날짜입니다.

시계열이란 무엇입니까?

Qlik Predict 시계열 예측에서 대상 자체를 포함한 각 그룹은 훈련 데이터 세트 내에서 별도의 시계열로 간주됩니다. 예를 들어 훈련 데이터 세트에 매출 지표가 포함되어 있다고 가정해 보겠습니다. 이러한 매출 지표는 각 매장 및 제품 유형에 대해 정의됩니다. 매장 및 제품 유형 열이 그룹으로 정의된 경우 훈련 데이터 세트에는 세 개의 시계열이 있습니다.

훈련 데이터 세트 준비

다변량 시계열 예측의 경우 훈련 데이터 세트에 다음 열이 포함되어야 합니다.

• 날짜 인덱스

• 대상 열

• 그룹 열(선택 사항)

• 기능 열(선택 사항 - 기능이 없으면 단변량 예측 모델을 훈련하는 것입니다.)

적용 데이터 세트 — 요구 사항 및 유효성 검사

시계열 모델의 경우 적용 데이터 세트에는 다음이 필요합니다.