Praca z eksperymentami szeregów czasowych

Dzięki eksperymentom szeregów czasowych można trenować modele do prognozowania miar odpowiadających określonym przyszłym okresom — na przykład sprzedaży w następnym tygodniu lub miesiącu. W Qlik Predict modele szeregów czasowych generują prognozy wielowymiarowe, które obsługują pogrupowane cele i przyszłe cechy. Prognozowanie szeregów czasowych jest dostępne dla eksperymentów obejmujących numeryczny cel.

Przypadki użycia

Prognozowanie szeregów czasowych jest przydatne zawsze wtedy, gdy potrzebne są prognozy miar numerycznych uwzględniające daty. Istnieje wiele scenariuszy, w których prognozowanie szeregów czasowych jest przydatne, w tym:

• Prognozowanie sprzedaży i finansów

• Prognozowanie zapasów i stanów magazynowych

• Prognozowanie zużycia energii i zapotrzebowania na nią

• Prognozowanie wydatków

Co to jest wielowymiarowe prognozowanie szeregów czasowych?

Wielowymiarowe prognozowanie szeregów czasowych to przewidywanie przyszłych danych dla scenariuszy obejmujących więcej niż jedną zmienną. Eksperymenty szeregów czasowych pozwalają badać wzorce specyficzne dla czasu między wieloma celami (wprowadzanymi za pomocą grup) i wieloma cechami. W przeciwieństwie do przewidywań dokonywanych za pomocą modeli klasyfikacji i regresji, przewidywania szeregów czasowych są specyficzne dla konkretnej daty lub godziny. Na przykład możesz chcieć przewidzieć sprzedaż na kolejne dwa tygodnie, przy czym powiązane daty to okres od 1 do 14 stycznia.

Część 1: Przygotowanie zestawu danych treningowych

Zacznij od przygotowania zestawu danych treningowych. Zestaw danych treningowych musi zawierać dane historyczne mierzone w spójnych odstępach czasu. Szczegółowe informacje zawiera sekcja Przygotowanie zestawu danych treningowych.

Część 2: Tworzenie eksperymentu szeregów czasowych

Eksperyment szeregów czasowych tworzy się poprzez utworzenie eksperymentu ML, a następnie wybranie opcji Szeregi czasowe jako Typ eksperymentu.

Aby skonfigurować eksperyment jako eksperyment szeregów czasowych, cel musi być numeryczny i mieć ponad 11 unikalnych wartości (chociaż do stworzenia wysokiej jakości modelu potrzeba ich znacznie więcej). Zestaw danych musi również zawierać kolumnę z informacjami o dacie lub dacie i godzinie rejestrowanymi w spójnych odstępach czasu.

Wykonaj następujące czynności:

1. Utwórz eksperyment ML w centrum aktywności Analytics. Patrz Tworzenie eksperymentów.

2. Po wybraniu zestawu danych treningowych kliknij Wyświetl konfigurację, aby rozwinąć panel konfiguracji eksperymentu.

3. Rozwiń sekcję Ustawienia eksperymentu.

4. Użyj menu rozwijanego, aby wybrać cel.

5. W obszarze Typ eksperymentu wybierz Szeregi czasowe.

Część 3: Konfigurowanie eksperymentu szeregów czasowych

Następnie należy skonfigurować parametry specyficzne dla przewidywań, które mają być wykonywane za pomocą modelu szeregów czasowych. Parametry te są specyficzne dla eksperymentów szeregów czasowych. Opisy znaczenia poszczególnych parametrów zawiera sekcja Praca z prognozowaniem wielowymiarowych szeregów czasowych.

Wykonaj następujące czynności:

1. W obszarze Indeks daty wybierz kolumnę indeksu, która ma zostać użyta.

   Indeks daty

2. W sekcji Na podstawie Twoich danych ustaw opcje Żądany rozmiar okna prognozy i Żądany rozmiar luki prognozy w krokach czasowych.

   Kroki czasowe

   Horyzont prognozy

3. Opcjonalnie użyj menu rozwijanych dla opcji Grupy i Przyszłe cechy, aby dodać grupowanie celów i przyszłe cechy do treningu modelu.

   Grupy

   Przyszłe cechy

Część 4: Konfigurowanie innych parametrów eksperymentu

Podobnie jak w przypadku innych typów eksperymentów, istnieją inne właściwości — nieunikalne dla eksperymentów szeregów czasowych — które może być konieczne dostosować w konfiguracji eksperymentu. Obejmują one:

• Wybieranie cech

• Wybieranie algorytmów

• Zmiana typów cech

• Konfigurowanie wykrywania stronniczości

Szczegółowe informacje zawiera sekcja Konfigurowanie eksperymentów.

Część 5: Uruchomienie treningu

Wykonaj następujące czynności:

• Kliknij Uruchom eksperyment.

Następne kroki

Analiza modelu

Po zakończeniu treningu można przeanalizować modele i ocenić ich jakość. W razie potrzeby utwórz kolejne iteracje eksperymentu, aby uściślić wyniki.

Więcej informacji zawiera sekcja Sprawdzanie modeli.

Wdrożenie i zatwierdzenie modelu

Po przeanalizowaniu modeli wdróż najlepszy z nich we wdrożeniu ML, a następnie aktywuj go do generowania przewidywań.

Więcej informacji zawierają sekcje Wdrażanie modeli oraz Zatwierdzanie wdrożonych modeli.

Przygotowywanie zestawów danych stosowania i tworzenie przewidywań

Po wdrożeniu modelu zapoznaj się z wymaganiami dotyczącymi zestawów danych stosowania, które będą używane do generowania przewidywań. Patrz Przygotowanie zestawu danych aplikacyjnych.

Po przygotowaniu zestawu danych stosowania utwórz przewidywania przy użyciu modelu szeregów czasowych. Możesz utworzyć:

• Przewidywania wsadowe

  Tworzenie predykcji z zestawu danych

• Przewidywania w czasie rzeczywistym

  Tworzenie predykcji w czasie rzeczywistym

Ograniczenia i uwagi

• W eksperymencie szeregów czasowych można wybrać maksymalnie dwie grupy. Kolumna wybrana jako grupa musi być kategoryczna. Kolumna ta może zawierać dane numeryczne, ale podczas treningu jest traktowana jako kategoryczna.

• Maksymalne okno prognozy może wynosić do 180 kroków czasowych. Więcej informacji zawiera sekcja Maksymalne okno prognozy.

• Inteligentna optymalizacja modelu nie ma zastosowania do eksperymentów z szeregami czasowymi.

• Eksperymenty szeregów czasowych nie obsługują ręcznej optymalizacji.

• Eksperymenty szeregów czasowych nie obsługują optymalizacji hiperparametrów.

• Eksperymenty szeregów czasowych nie obsługują treningu uwzględniającego czas.

• Automatyczna inżynieria cech z dowolnego tekstu nie jest dostępna dla eksperymentów z szeregami czasowymi.

• Kiedy wybierzesz kolumnę indeksu daty dla eksperymentu szeregów czasowych, typ cechy daty jest używany dla tej kolumny. Jednakże, inżynieria cech daty nie jest obsługiwana dla modeli szeregów czasowych. Automatycznie zaprojektowane cechy daty nie są dostępne do wyprowadzenia z kolumny.

• Eksperymenty szeregów czasowych trenują modele przy użyciu algorytmów głębokiego uczenia. Dlatego, w zależności od rozmiaru danych i okna prognozy, trening modeli szeregów czasowych trwa zazwyczaj dłużej niż modeli regresji i klasyfikacji.

• Eksperymenty szeregów czasowych obsługują zestawy danych treningowych o rozmiarze do 1 GiB. Więcej informacji zawiera sekcja Ograniczenia zbioru danych szkoleniowych i profilowania.

Ograniczenia związane z tworzeniem przewidywań za pomocą modeli szeregów czasowych zawiera sekcja Ograniczenia.

Samouczek

Pełny samouczek demonstrujący prognozowanie szeregów czasowych, od treningu modelu po przewidywanie, zawiera sekcja Samouczek — Praca z prognozowaniem wielowymiarowych szeregów czasowych.