# Problemy szeregów czasowych

Problemy uczenia maszynowego szeregów czasowych polegają na wykorzystaniu danych historycznych do prognozowania metryk liczbowych dla określonych dat i godzin.

## Porównanie problemów regresji i szeregów czasowych

Problemy regresji są podobne do problemów szeregów czasowych zarówno pod względem zmiennej docelowej, jak i rzeczywistych zastosowań, które obejmują. Istnieje również kilka różnic między tymi dwoma typami problemów.

Więcej informacji na temat problemów regresji można znaleźć w [Problemy związane z regresją](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/regression-problems.htm).

### Podobieństwa

* Oba obejmują numeryczną kolumnę docelową.

* Oba są powszechnie stosowane w finansowych przypadkach użycia, obejmujących prognozowanie sprzedaży i wartości pieniężnych.

### Różnice

* Problemy szeregów czasowych obsługują cele pogrupowane, natomiast problemy regresji nie (zob. [Składniki problemu szeregów czasowych](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#Components)). Zgrupowane scenariusze nadal mogą być rozwiązywane w przypadku problemów regresji poprzez trenowanie wielu różnych modeli, kosztem globalnego uczenia się w grupach.

* Problemy szeregów czasowych obsługują scenariusze, w których znasz pewne zmienne cechy z wyprzedzeniem — na przykład prognozy związane z pogodą, planowane rabaty promocyjne oraz to, czy daty wypadają w dni powszednie, weekendy i święta. Te zmienne cechy są znane jako [Przyszłe cechy](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#FutureFeatures).

* W przypadku problemów szeregów czasowych dane muszą być indeksowane według daty lub daty i godziny w ustalonym przedziale czasowym. Ponadto, podczas trenowania i przewidywania oczekuje się i generuje się różną zawartość danych (zob. [Przygotowanie zestawu danych treningowych](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#TrainPrepare) i [Przygotowanie zestawu danych do zastosowania](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#ApplyPrepare)).

* W problemach szeregów czasowych przewidywane wartości jawnie odpowiadają konkretnym datom i godzinom. W problemach regresji przewidywane wartości mogą, ale nie muszą odpowiadać konkretnym datom i godzinom, ale jeśli tak jest, to powiązanie jest domyślne, a nie jawnie oznaczone w danych wyjściowych.

* Używane są różne algorytmy (zob. [Omówienie algorytmów modeli](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/algorithms.htm)).

## Przykład szeregów czasowych: Przyszła sprzedaż

Ten przykład przedstawia ogólny zarys danych, które należy zebrać i dostarczyć dla problemu szeregów czasowych. Aby dowiedzieć się więcej na temat tworzenia struktur dla problemów szeregów czasowych, zobacz [Praca z prognozowaniem wielowymiarowych szeregów czasowych](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm).

W tym przykładzie celem jest prognozowanie dziennej sprzedaży na następne cztery dni. Ponadto, zażądano, aby dzienne sumy sprzedaży były prognozowane dla każdego regionu i grupy produktów. W związku z potrzebą analizy sprzedaży według regionu i grupy produktów, zdefiniowano problem wielowymiarowych szeregów czasowych.

Na początek, dane są zbierane i agregowane w celu trenowania modelu. Wymagane jest, aby całkowita kwota sprzedaży, dla każdego regionu i grupy produktów, była przedstawiana dla każdego dnia w określonym przedziale czasowym. Ponadto, pożądane jest podanie, ile produktów jest dostępnych w promocji dziennie dla każdego regionu i grupy produktów.

Próbka zebranych danych

| Data | Produkty w promocji | Region | Grupa produktów | Sprzedaż |
| --- | --- | --- | --- | --- |
| 2025-01-01 | 100 | Ameryka Północna | Artykuły spożywcze | 99642.10 |
| 2025-01-01 | 31 | Ameryka Południowa | Produkt | 34660.34 |
| 2025-01-01 | 11 | Ameryka Północna | Delikatesy | 60345.44 |
| 2025-01-01 | 14 | Ameryka Południowa | Artykuły spożywcze | 44603.33 |
| 2025-01-01 | 76 | Ameryka Północna | Produkt | 105844.44 |
| 2025-01-01 | 133 | Ameryka Południowa | Delikatesy | 150385.44 |
| 2025-01-02 | 17 | Ameryka Północna | Sklep spożywczy | 80195.22 |
| 2025-01-02 | 35 | Ameryka Południowa | Produkt | 61051.13 |
| 2025-01-02 | 24 | Ameryka Północna | Delikatesy | 55938.38 |
| 2025-01-02 | 118 | Ameryka Południowa | Spożywczy | 104823.33 |
| 2025-01-02 | 40 | Ameryka Północna | Produkt | 11111.12 |
| 2025-01-02 | 73 | Ameryka Południowa | Delikatesy | 15493.33 |

Załóżmy, że ostatnia data, dla której dostępne są dane historyczne, to 2025-10-09. Teoretycznie, po wytrenowaniu, wdrożeniu i prognozowaniu za pomocą modelu szeregów czasowych dla tego przypadku użycia, można by oczekiwać następujących prognoz.

Próbka przewidywanych danych

| Data | Produkty w promocji | Region | Grupa produktów | Sprzedaż |
| --- | --- | --- | --- | --- |
| 2025-10-10 | 0 | Ameryka Północna | Artykuły spożywcze | 193803.15 |
| 2025-10-10 | 14 | Ameryka Południowa | Produkt | 76666.66 |
| 2025-10-10 | 55 | Ameryka Północna | Delikatesy | 30593.55 |
| 2025-10-10 | 2 | Ameryka Południowa | Spożywcze | 10549.33 |
| 2025-10-10 | 1341 | Ameryka Północna | Produkt | 100003.33 |
| 2025-10-11 | 0 | Ameryka Południowa | Delikatesy | 70001.87 |
| 2025-10-11 | 0 | Ameryka Północna | Artykuły spożywcze | 39522.11 |
| 2025-10-11 | 150 | Ameryka Południowa | Produkt | 91859.30 |
| 2025-10-11 | 65 | Ameryka Północna | Delikatesy | 19583.55 |
| 2025-10-11 | 12 | Ameryka Południowa | Artykuły spożywcze | 194863.00 |
| 2025-10-11 | 70 | Ameryka Północna | Produkt | 140244.13 |
| 2025-10-11 | 15 | Ameryka Południowa | Delikatesy | 76666.66 |
| 2025-10-12 | 20 | Ameryka Północna | Spożywczy | 30593.55 |
| 2025-10-12 | 20 | Ameryka Południowa | Produkt | 10549.33 |
| 2025-10-12 | 39 | Ameryka Północna | Delikatesy | 100003.33 |
| 2025-10-12 | 109 | Ameryka Południowa | Artykuły spożywcze | 105893.99 |
| 2025-10-12 | 37 | Ameryka Północna | Produkt | 80195.22 |
| 2025-10-13 | 75 | Ameryka Południowa | Garmażeria | 61051.13 |
| 2025-10-13 | 190 | Ameryka Północna | Artykuły spożywcze | 55938.38 |
| 2025-10-13 | 0 | Ameryka Południowa | Produkt | 104823.33 |
| 2025-10-13 | 0 | Ameryka Północna | Delikatesy | 99105.99 |
| 2025-10-13 | 100 | Ameryka Południowa | Artykuły spożywcze | 130533.31 |
| 2025-10-13 | 0 | Ameryka Północna | Produkt | 67676.73 |
| 2025-10-13 | 14 | Ameryka Południowa | Delikatesy | 100474.24 |

## Dowiedz się więcej

* [Praca z prognozowaniem wielowymiarowych szeregów czasowych](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm)
* [Praca z eksperymentami szeregów czasowych](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/time-series-experiment.htm)