Praca z eksperymentami szeregów czasowych

Dzięki eksperymentom szeregów czasowych można trenować modele do prognozowania metryk odpowiadających określonym przyszłym okresom — na przykład sprzedaży na następny tydzień lub miesiąc. 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.

Zastosowania

Prognozowanie szeregów czasowych jest przydatne zawsze, gdy potrzebujesz prognoz wrażliwych na datę dla metryk numerycznych. Istnieje wiele scenariuszy, w których prognozowanie szeregów czasowych jest przydatne, w tym:

• Prognozowanie sprzedaży i finansów

• Przewidywanie zapasów i stanów magazynowych

• Predicting energy usage and demand

• Predicting expenses

Czym jest prognozowanie wielowymiarowych szeregów czasowych?

Multivariate time series forecasting is the prediction of future data for scenarios involving more than one variable. Time series experiments allow you to explore time-specific patterns between multiple targets (introduced via groups) and multiple features. W przeciwieństwie do prognoz tworzonych za pomocą modeli klasyfikacji i regresji, prognozy szeregów czasowych są specyficzne dla konkretnej daty lub godziny. Na przykład możesz chcieć przewidzieć swoją sprzedaż na następne dwa tygodnie, przy czym powiązane daty to od 1 do 14 stycznia.

Część 1: Przygotowanie zestawu danych do uczenia

Zacznij od przygotowania zestawu danych do uczenia. Zestaw danych do uczenia musi zawierać dane historyczne mierzone w stałych odstępach czasu.Pełne informacje zawiera temat Przygotowanie zestawu danych do uczenia.

Część 2: Tworzenie eksperymentu szeregów czasowych

Eksperyment szeregów czasowych tworzy się, tworząc eksperyment ML, a następnie wybierając Szeregi czasowe jako Typ eksperymentu.

Aby skonfigurować eksperyment jako eksperyment szeregów czasowych, cel musi być numeryczny i mieć więcej niż 11 unikalnych wartości (chociaż do stworzenia wysokiej jakości modelu potrzeba znacznie więcej). Zestaw danych musi również zawierać kolumnę zawierającą informacje o dacie lub dacie i godzinie zarejestrowane w spójnym przedziale czasowym.

Wykonaj następujące czynności:

1. Utwórz eksperyment ML z poziomu Analytics centrum aktywności. Zob. Tworzenie eksperymentów.

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

3. Rozwiń Cel i typ eksperymentu.

4. Użyj rozwijanego menu, aby wybrać cel.

5. W sekcji Typ eksperymentu wybierz Szeregi czasowe.

Część 3: Konfigurowanie eksperymentu szeregów czasowych

Następnie należy skonfigurować parametry specyficzne dla prognoz, które chcesz utworzyć za pomocą modelu szeregów czasowych. Te parametry są specyficzne dla eksperymentów szeregów czasowych. Aby uzyskać opisy znaczenia każdego parametru, zobacz Praca z prognozowaniem wielowymiarowych szeregów czasowych.

Wykonaj następujące czynności:

1. W sekcji Indeks daty wybierz kolumnę indeksu do użycia.

   Indeks daty

2. Opcjonalnie, użyj rozwijanych menu dla Grup i Przyszłych cech, aby dodać docelowe grupowania i przyszłe cechy do trenowania modelu.

   Grupy

   Cechy przyszłe

3. W Na podstawie Twoich danych sekcji, ustaw Rozmiar okna prognozy i Rozmiar luki prognozy, w krokach czasowych.

   Kroki czasowe

   Horyzont prognozy

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 dostosowanie w konfiguracji eksperymentu. Obejmują one:

• Wybieranie cech

• Wybór algorytmów

• Zmiana typów danych cech

Pełne informacje zawiera temat Konfigurowanie eksperymentów.

Część 5: Uruchomienie uczenia

Wykonaj następujące czynności:

• Na dolnym pasku kliknij Uruchomienie uczenia.

Następne kroki

Analiza modelu

Po zakończeniu uczenia możesz analizować modele i oceniać ich jakość. W razie potrzeby utwórz kolejne iteracje eksperymentu, aby udoskonalić wyniki.

Więcej informacji zawiera temat Sprawdzanie modeli.

Wdrożenie i zatwierdzenie modelu

Po przeanalizowaniu modeli wdróż najlepszy z nich do wdrożenia uczenia maszynowego, a następnie aktywuj go do tworzenia prognoz.

Więcej informacji zawierają tematy Wdrażanie modeli oraz Zatwierdzanie wdrożonych modeli.

Przygotowywanie zestawów danych do zastosowania i tworzenie prognoz

Po wdrożeniu modelu zapoznaj się z wymaganiami dotyczącymi zestawów danych do zastosowania, których użyjesz do generowania prognoz. Zob. Przygotowywanie zestawu danych do zastosowania.

Po przygotowaniu zestawu danych do zastosowania, utwórz prognozy, używając swojego modelu szeregów czasowych. Możesz utworzyć:

• Predykcje zbiorcze

  Tworzenie predykcji z zestawu danych

• Predykcje w czasie rzeczywistym

  Tworzenie predykcji w czasie rzeczywistym

Ograniczenia i uwagi

• Możesz wybrać do dwóch grup dla eksperymentu szeregów czasowych. Kolumna, którą wybierzesz jako grupę, musi być kategoryczna. Ta kolumna może zawierać dane numeryczne, ale podczas trenowania jest traktowana jako kategoryczna.

• Maksymalne okno prognozy może być tak duże jak 180 kroków czasowych. Więcej informacji zawiera temat Maksymalne okno prognozy.

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

• Eksperymenty szeregów czasowych nie obsługują optymalizacji ręcznej.

• Eksperymenty szeregów czasowych nie obsługują optymalizacji hiperparametrów.

• Eksperymenty szeregów czasowych nie obsługują szkolenia z uwzględnieniem czasu.

• 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 szkolą modele za pomocą algorytmów głębokiego uczenia. Dlatego, w zależności od rozmiaru danych i okna prognozy, modele szeregów czasowych zazwyczaj wymagają dłuższego czasu szkolenia niż modele regresji i klasyfikacji.

Informacje o ograniczeniach związanych z tworzeniem prognoz za pomocą modeli szeregów czasowych, zobacz Ograniczenia.

Samouczek

Aby zapoznać się z pełnym samouczkiem demonstrującym prognozowanie szeregów czasowych, od trenowania modelu do prognozowania, zobacz Samouczek — Praca z prognozowaniem wielowymiarowych szeregów czasowych.