Werken met tijdreeksexperimenten
Met tijdreeksexperimenten kunt u modellen trainen om statistieken 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.
Een tijdreeksexperiment configureren
Gebruiksscenario's
Tijdreeksvoorspelling is nuttig wanneer u datumgevoelige voorspellingen voor numerieke statistieken nodig hebt. Er zijn veel scenario's waarin tijdreeksvoorspelling nuttig is, waaronder:
-
Verkoop- en financiële prognoses
-
Voorraad en inventaris voorspellen
-
Energieverbruik en -vraag voorspellen
-
Uitgaven voorspellen
Wat is multivariate tijdreeksvoorspelling?
Multivariate tijdreeksvoorspelling is het voorspellen van toekomstige gegevens voor scenario's met meer dan één variabele. Met tijdreeksexperimenten kunt u tijdspecifieke patronen onderzoeken tussen meerdere doelen (geïntroduceerd via groepen) en meerdere functies. In tegenstelling tot voorspellingen die worden gedaan 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 trainingsdataset voorbereiden
Begin met het voorbereiden van een trainingsdataset. De trainingsdataset moet historische gegevens bevatten die met consistente tijdsintervallen zijn gemeten. Zie voor volledige details Een trainingsgegevensset 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 als een tijdreeksexperiment te configureren, 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 datetime-informatie die over een consistent tijdsinterval is geregistreerd.
Doe het volgende:
-
Maak een ML-experiment vanuit het activiteitencentrum Analyse. Zie Experimenten maken.
-
Klik na het selecteren van een trainingsdataset op
Configuratie bekijken om het paneel voor experimentconfiguratie uit te vouwen. -
Vouw Experimentinstellingen uit.
-
Gebruik het vervolgkeuzemenu om een doel te selecteren.
-
Selecteer onder Experimenttype de optie Tijdreeks.
Deel 3: Uw tijdreeksexperiment configureren
Vervolgens moet u parameters configureren die specifiek zijn voor de voorspellingen die u met uw tijdreeksmodel wilt doen. Deze parameters zijn specifiek voor tijdreeksexperimenten. Zie voor beschrijvingen van wat elke parameter betekent Werken met voorspellingen van multivariate tijdreeksen.
Doe het volgende:
-
Selecteer onder Datumindex de te gebruiken indexkolom.
-
Stel in de sectie Op basis van uw gegevens de Gewenste grootte van voorspellingsvenster en Gewenste grootte van voorspellingshiaat in, in tijdstappen.
-
Gebruik optioneel de vervolgkeuzemenu's voor Groepen en Toekomstige functies om doelgroeperingen en toekomstige functies toe te voegen aan de modeltraining.
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. Deze omvatten:
-
Functies selecteren
-
Algoritmen selecteren
-
Functietypen wijzigen
-
Biasedetectie configureren
Zie voor volledige details Experimenten configureren.
Deel 5: De training uitvoeren
Doe het volgende:
-
Klik op Experiment 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.
Zie voor meer informatie Modellen evalueren.
Modelimplementatie en -goedkeuring
Nadat u de modellen hebt geanalyseerd, implementeert u het beste model naar een ML-implementatie en activeert u het vervolgens om voorspellingen te doen.
Zie voor meer informatie 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 gaat gebruiken voor het genereren van voorspellingen. Zie Een toepassingsgegevensset voorbereiden.
Wanneer u de toepassingsdataset hebt voorbereid, maakt u voorspellingen met uw tijdreeksmodel. U kunt het volgende maken:
-
Batchvoorspellingen
-
Realtime voorspellingen
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 prognosevenster kan maximaal 180 tijdstappen bedragen. Zie voor meer informatie Maximaal voorspellingsvenster.
-
Intelligente modeloptimalisatie is niet van toepassing op tijdreeks-experimenten.
-
Tijdreeksexperimenten ondersteunen geen handmatige optimalisatie.
-
Tijdreeksexperimenten ondersteunen geen optimalisatie van hyperparameters.
-
Tijdreeksexperimenten ondersteunen geen tijdsbewuste 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 voorspellingsvenster, meestal langer dan bij regressie- en classificatiemodellen.
-
Tijdreeksexperimenten ondersteunen trainingsdatasets tot een grootte van 1 GiB. Zie voor meer informatie Beperkingen voor trainingsdatasets en profilering.
Zie voor beperkingen met betrekking tot het maken van voorspellingen met tijdreeksmodellen Beperkingen.
Zelfstudie
Zie voor een volledige zelfstudie over tijdreeksvoorspelling, van modeltraining tot voorspelling, Zelfstudie — verkoop voorspellen met multivariate tijdreeksprognose.