Tijdreeks problemen
Tijdreeks machine learning problemen omvatten het benutten van historische gegevens om numerieke metingen te voorspellen voor specifieke datums en tijden.
Regressie- en tijdreeks problemen vergelijken
Regressieproblemen lijken op tijdreeks problemen, zowel in de doelvariabele als in de praktijkgerichte use cases die ze omvatten. Er zijn ook verschillende verschillen tussen deze twee probleemtypen.
Zie voor meer informatie over regressieproblemen Regressieproblemen.
Overeenkomsten
-
Beide omvatten een numerieke doelkolom.
-
Beide worden vaak gebruikt in financiële use cases met betrekking tot verkoop- en monetaire prognoses.
Verschillen
-
Tijdreeks-problemen ondersteunen gegroepeerde doelen, terwijl regressieproblemen dat niet doen (zie Componenten van een tijdreeksprobleem). Gegroepeerde scenario's kunnen nog steeds worden aangepakt voor regressieproblemen door meerdere verschillende modellen te trainen, ten koste van globaal leren over groepen heen.
-
Tijdreeks-problemen ondersteunen scenario's waarin u bepaalde functievariabelen van tevoren kent, bijvoorbeeld weersgerelateerde voorspellingen, geplande promotionele kortingen en of datums op weekdagen, weekenden en feestdagen vallen. Deze functievariabelen staan bekend als Toekomstige functies.
-
Voor tijdreeks-problemen moeten gegevens worden geïndexeerd op datum of datum/tijd op een vast tijdsinterval. Ook wordt er verschillende gegevensinhoud verwacht en gegenereerd tijdens training en voorspellingen (zie Een trainingsgegevensverzameling voorbereiden en Gegevensset toepassen voorbereiden).
-
Bij tijdreeksvraagstukken komen voorspelde waarden expliciet overeen met specifieke datums en tijden. Bij regressievraagstukken komen voorspelde waarden mogelijk wel of niet overeen met specifieke datums en tijden, maar als dat het geval is, wordt deze associatie geïmpliceerd in plaats van expliciet aangegeven in de uitvoer.
-
Er worden verschillende algoritmen gebruikt (zie Modelalgoritmen begrijpen).
Tijdreeksvoorbeeld: Toekomstige verkoop
Dit voorbeeld geeft een overzicht van de gegevens die u moet verzamelen en aanleveren voor een tijdreeksprobleem. Zie voor meer informatie over het ontwikkelen van frameworks voor tijdreeksproblemen Werken met multivariate tijdreeksvoorspelling.
In dit voorbeeld is het doel om de dagelijkse verkoop te voorspellen voor de komende vier dagen. Daarnaast is gevraagd om dagelijkse verkooptotalen te voorspellen voor elke regio en productgroep. Met de behoefte aan verkoop per regio en productgroep is een multivariate tijdreeksanalyseprobleem vastgesteld.
Om te beginnen worden gegevens verzameld en geaggregeerd om het model te trainen. De vereiste is dat een totaal verkoopbedrag, per regio en productgroep, wordt gepresenteerd voor elke dag binnen een specifiek tijdsbereik. Daarnaast is het gewenst om aan te geven hoeveel producten per dag beschikbaar zijn voor promotie per regio en productgroep.
| Datum | Producten in promotie | Regio | Productgroep | Sales. |
|---|---|---|---|---|
| 2025-01-01 | 100 | Noord-Amerika | Kruidenierswaren | 99642.10 |
| 2025-01-01 | 31 | Zuid-Amerika | Product | 34660.34 |
| 2025-01-01 | 11 | Noord-Amerika | Delicatessen | 60345.44 |
| 2025-01-01 | 14 | Zuid-Amerika | Kruidenierswaren | 44603.33 |
| 2025-01-01 | 76 | Noord-Amerika | Product | 105844.44 |
| 2025-01-01 | 133 | Zuid-Amerika | Deli | 150385.44 |
| 2025-01-02 | 17 | Noord-Amerika | Boodschappen | 80195.22 |
| 2025-01-02 | 35 | Zuid-Amerika | Product | 61051.13 |
| 2025-01-02 | 24 | Noord-Amerika | Delicatessen | 55938.38 |
| 2025-01-02 | 118 | Zuid-Amerika | Boodschappen | 104823.33 |
| 2025-01-02 | 40 | Noord-Amerika | Product | 11111.12 |
| 2025-01-02 | 73 | Zuid-Amerika | Delicatessen | 15493.33 |
Stel dat de laatste datum waarvoor historische gegevens beschikbaar zijn 2025-10-09 is. Theoretisch gezien, na het trainen, implementeren en voorspellen met een tijdreeksmodel voor deze use case, zou u de volgende voorspellingen kunnen verwachten.
| Datum | Producten in de aanbieding | Regio | Productgroep | Sales. |
|---|---|---|---|---|
| 2025-10-10 | 0 | Noord-Amerika | Kruidenierswaren | 193803.15 |
| 2025-10-10 | 14 | Zuid-Amerika | Product | 76666.66 |
| 2025-10-10 | 55 | Noord-Amerika | Deli | 30593.55 |
| 2025-10-10 | 2 | Zuid-Amerika | Kruidenierswaren | 10549.33 |
| 2025-10-10 | 1341 | Noord-Amerika | Product | 100003.33 |
| 2025-10-11 | 0 | Zuid-Amerika | Deli | 70001.87 |
| 2025-10-11 | 0 | Noord-Amerika | Kruidenierswaren | 39522.11 |
| 2025-10-11 | 150 | Zuid-Amerika | Product | 91859.30 |
| 2025-10-11 | 65 | Noord-Amerika | Deli | 19583.55 |
| 2025-10-11 | 12 | Zuid-Amerika | Boodschappen | 194863.00 |
| 2025-10-11 | 70 | Noord-Amerika | Product | 140244.13 |
| 2025-10-11 | 15 | Zuid-Amerika | Delicatessen | 76666.66 |
| 2025-10-12 | 20 | Noord-Amerika | Grocery | 30593.55 |
| 2025-10-12 | 20 | Zuid-Amerika | Product | 10549.33 |
| 2025-10-12 | 39 | Noord-Amerika | Deli | 100003.33 |
| 2025-10-12 | 109 | Zuid-Amerika | Boodschappen | 105893.99 |
| 2025-10-12 | 37 | Noord-Amerika | Product | 80195.22 |
| 2025-10-13 | 75 | Zuid-Amerika | Delicatessen | 61051.13 |
| 2025-10-13 | 190 | Noord-Amerika | Kruidenierswaren | 55938.38 |
| 2025-10-13 | 0 | Zuid-Amerika | Product | 104823.33 |
| 2025-10-13 | 0 | Noord-Amerika | Deli | 99105.99 |
| 2025-10-13 | 100 | Zuid-Amerika | Kruidenierswaren | 130533.31 |
| 2025-10-13 | 0 | Noord-Amerika | Product | 67676.73 |
| 2025-10-13 | 14 | Zuid-Amerika | Deli | 100474.24 |