Werken met tijdreeksexperimenten

Met tijdreeksexperimenten kunt u modellen trainen om metrische gegevens te voorspellen die overeenkomen met specifieke toekomstige tijdsperioden, bijvoorbeeld de verkoop voor de volgende week of maand. In Qlik Predict genereren tijdreeksmodellen multivariate voorspellingen die gegroepeerde doelen en toekomstige functies ondersteunen. Tijdreeksvoorspelling is beschikbaar voor experimenten met een numeriek doel.

Toepassingen

Tijdreeksvoorspelling is nuttig wanneer u datumgevoelige voorspellingen nodig heeft voor numerieke statistieken. Er zijn veel scenario's waarin tijdreeksvoorspelling nuttig is, waaronder:

• Verkoop- en financiële prognoses

• Voorraad en aandelen Predict

• Voorspellen van energieverbruik en -vraag

• Voorspellen van uitgaven

Wat is multivariate tijdreeksvoorspelling?

Multivariate tijdreeksvoorspelling is het voorspellen van toekomstige gegevens voor scenario's met meer dan één variabele. Tijdreeksexperimenten stellen u in staat om tijdsspecifieke patronen te verkennen tussen meerdere doelen (geïntroduceerd via groepen) en meerdere functies. In tegenstelling tot voorspellingen die zijn gemaakt met classificatie- en regressiemodellen, zijn tijdreeksvoorspellingen specifiek voor een bepaalde datum of tijd. U wilt bijvoorbeeld uw verkoop voor de komende twee weken voorspellen, waarbij de bijbehorende datums 1 tot en met 14 januari zijn.

Deel 1: Een trainingsgegevensverzameling voorbereiden

Begin met het voorbereiden van een trainingsgegevensverzameling. De trainingsgegevensverzameling moet historische gegevens bevatten die zijn gemeten met consistente tijdsintervallen.Ga voor meer informatie naar Een trainingsgegevensverzameling voorbereiden.

Deel 2: Een tijdreeksexperiment maken

U maakt een tijdreeksexperiment door een ML-experiment te maken en vervolgens Tijdreeks te selecteren als het Experimenttype.

Om een experiment te configureren als een tijdreeksexperiment, moet het doel numeriek zijn en meer dan 11 unieke waarden hebben (hoewel er veel meer nodig zijn om een model van hoge kwaliteit te produceren). De dataset moet ook een kolom bevatten met datum- of datum/tijd-informatie die is vastgelegd over een consistent tijdsinterval.

Doe het volgende:

1. Maak een ML-experiment vanuit het Analyse-activiteitencentrum. Zie: Experimenten maken.

2. Nadat u een trainingsdataset hebt geselecteerd, klikt u op Configuratie weergeven om het venster voor experimentconfiguratie uit te vouwen.

3. Vouw Doel en experimenttype uit.

4. Gebruik het vervolgmenu om een doel te selecteren.

5. Selecteer onder Experimenttype de optie Tijdreeks.

Deel 3: Configureer uw tijdreeksexperiment

Vervolgens moet u parameters configureren die specifiek zijn voor de voorspellingen die u wilt doen met uw tijdreeksmodel. Deze parameters zijn specifiek voor tijdreeksexperimenten. Voor beschrijvingen van wat elke parameter betekent, zie Werken met multivariate tijdreeksvoorspelling.

Doe het volgende:

1. Onder Date index selecteert u de te gebruiken indexkolom.

   Datumindexatie

2. Gebruik optioneel de vervolgkeuzemenu's voor Groepen en Toekomstige functies om doelgroeperingen en toekomstige functies toe te voegen aan de modeltraining.

   Groepen

   Toekomstige functies

3. Stel in de Op basis van uw gegevens-sectie de Voorspellingsvenstergrootte en Voorspellingsgatgrootte in, in tijdstappen.

   Tijdstappen

   Voorspellingshorizon

Deel 4: Andere experimentparameters configureren

Net als bij andere experimenttypen zijn er andere eigenschappen — niet uniek voor tijdreeksexperimenten — die u mogelijk moet aanpassen in uw experimentconfiguratie. Hiertoe behoren:

• Kenmerken selecteren

• Algoritmen selecteren

• Kenmerktypen wijzigen

Ga voor meer informatie naar Experimenten configureren.

Deel 5: De training uitvoeren

Doe het volgende:

• Klik in de onderste staaf op Training uitvoeren.

Volgende stappen

Modelanalyse

Nadat de training is voltooid, kunt u de modellen analyseren en de kwaliteit ervan beoordelen. Maak indien nodig verdere iteraties van het experiment om de resultaten te verfijnen.

Ga voor meer informatie naar Modellen evalueren.

Modelimplementatie en goedkeuring

Nadat u de modellen hebt geanalyseerd, implementeert u het beste model in een ML-implementatie en activeert u het vervolgens voor het doen van voorspellingen.

Ga voor meer informatie naar Modellen implementeren en Geïmplementeerde modellen goedkeuren.

Toepassingsdatasets voorbereiden en voorspellingen maken

Nadat u uw model hebt geïmplementeerd, moet u de vereisten begrijpen voor de toepassingsdatasets die u zult gebruiken voor het genereren van voorspellingen. Zie: Gegevensset toepassen voorbereiden.

Wanneer u de toepassingsdataset hebt voorbereid, maakt u voorspellingen met behulp van uw tijdreeksmodel. U kunt maken:

• Batchgewijze voorspellingen

  Voorspellingen maken voor gegevensverzamelingen

• Realtime voorspellingen

  Realtime voorspellingen maken

Beperkingen en overwegingen

• U kunt maximaal twee groepen selecteren voor een tijdreeksexperiment. De kolom die u als groep selecteert, moet categorisch zijn. Deze kolom kan numerieke gegevens bevatten, maar tijdens de training wordt de kolom als categorisch behandeld.

• Het maximale voorspellingsvenster kan zo groot zijn als 180 tijdstappen. Ga voor meer informatie naar Maximum prognosevenster.

• Intelligente modeloptimalisatie is niet van toepassing op tijdreeks-experimenten.

• Tijdreeksexperimenten ondersteunen geen handmatige optimalisatie.

• Tijdreeksexperimenten ondersteunen geen hyperparameteroptimalisatie.

• Tijdreeksexperimenten ondersteunen geen tijdgevoelige training.

• Automatische functiegeneratie van vrije tekst is niet beschikbaar voor tijdreeks-experimenten.

• Wanneer u een datumindexkolom selecteert voor een tijdreeksexperiment, wordt het datumfunctietype gebruikt voor deze kolom. Echter, datumfunctie-engineering wordt niet ondersteund voor tijdreeksmodellen. Automatisch geëngineerde datumfuncties zijn niet beschikbaar om afgeleid te worden van de kolom.

• Tijdreeksexperimenten trainen modellen met deep learning-algoritmen. Daarom duurt het trainen van tijdreeksmodellen, afhankelijk van de gegevensgrootte en het prognosevenster, meestal langer dan regressie- en classificatiemodellen.

Voor beperkingen met betrekking tot het maken van voorspellingen met tijdreeksmodellen, zie Beperkingen.

Zelfstudie

Voor een volledige zelfstudie over tijdreeksvoorspelling, van modeltraining tot voorspelling, zie Zelfstudie — verkoop voorspellen met multivariate tijdreeksprognose.