# Prognozowanie szeregów czasowych przy użyciu wykresu liniowego

Użytkownicy biznesowi i analitycy często monitorują miary jako trend w czasie, a dzięki prognozowaniu szeregów czasowych mogą oszacować, jak historyczna sekwencja obserwacji będzie kontynuowana w przyszłości. Umiejętność przewidywania prawdopodobnej ewolucji linii trendów może wpływać na strategię i podejmowanie decyzji. W Qlik Cloud opcja prognozowania szeregów czasowych tworzy wizualizacje rozszerzające linie trendu o przewidywane wartości wygenerowane i zaprezentowane na wykresie liniowym. W zależności od zastosowanej metody zacieniony obszar reprezentujący przedział pewności wyświetla możliwe wartości na konfigurowanym poziomie pewności. Prognozy szeregów czasowych są tworzone przy użyciu zaufanych algorytmów predykcyjnych. SSA (analiza widma pojedynczego) zapewnia przedział ufności, a metoda OLS (zwykłych najmniejszych kwadratów) zapewnia prostą linię regresji liniowej.

Wykres prognozy szeregów czasowych zbudowany przy użyciu metody OLS

Wykres prognozy szeregów czasowych zbudowany przy użyciu metody OLS

Wykres prognozy szeregów czasowych zbudowany przy użyciu metody OLS ![wykres prognozy szeregów czasowych zbudowany przy użyciu metody OLS](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Resources/Images/ui_TimeSeries_OLS_rev.png)

Wykres prognozy szeregów czasowych zbudowany przy użyciu metody SSA

Wykres prognozy szeregów czasowych zbudowany przy użyciu metody SSA

Wykres prognozy szeregów czasowych zbudowany przy użyciu metody SSA ![wykres prognozy szeregów czasowych zbudowany przy użyciu metody SSA](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Resources/Images/ui_TimeSeries_SSA_rev.png)

Prognoza szeregów czasowych wyraźnie odróżnia przewidywane wartości od wartości historycznych. Wizualizacja wyświetla prognozę przyrostowo, zgodnie z konfiguracją na podstawie wybranych mnożników Kroki prognozy i Rozmiar kroku we właściwościach wymiaru. Po wybraniu w mierze metody SSA wyświetlany jest zacieniony obszar reprezentujący przedział ufności prognozy. Ten przedział jest konfigurowany za pomocą właściwości miary: Pokaż pewność i Poziom pewności. Zacieniony obszar przedstawia przedział prawdopodobnych wartości (np. 95%), co oznacza, że zgodnie z oczekiwaniami przyszłe wartości będą leżeć w zacienionym obszarze z prawdopodobieństwem 95%.

[Time series forecasting](https://play.vidyard.com/xGKootWFwW6RqSnhqGUitu)

## Wymagania i działanie właściwości

Przełącznik Prognoza pojawia się we właściwościach miary w opcjach zaawansowanych, gdy spełnione są następujące wymagania:

* Wymiar liczbowy lub czasowy
* Jedna miara i jeden wymiar
* Oś wymiaru musi być ciągła

Należy zauważyć, że ustawienie przełącznika Prognoza pojawia się we właściwościach miary tylko wtedy, gdy miara jest wymiarem czasu, a oś wymiaru jest ciągła. Gdy ustawienie to jest włączone, właściwości szeregów czasowych prognozy są wyświetlane na panelach zarówno wymiarów, jak i miar. Właściwości wymiaru odnoszą się do ustawień odległości horyzontu i przyrostu. Metoda ustawiania właściwości pomiaru, stylizacja linii i cieniowania, ustawienie ufności i poziom.

## Metody OLS i SSA

Metoda najmniejszych kwadratów (Ordinary Least Square, OLS) to prosta metoda modelu regresji, która służy do obliczania linii trendu przez minimalizację sumy kwadratów różnic między obserwowaną a przewidywaną zmienną zależną. Ta opcja prognozy szeregów czasowych przydaje się, gdy użytkownik chce zobaczyć liniowy trend swoich danych. Nie kontroluje ona szumu ani wartości odstających, lecz po prostu wykorzystuje wszystkie dane do wygenerowania linii regresji liniowej.

W porównaniu z OLS analiza widma pojedynczego (Singular Spectrum Analysis, SSA) jest zaawansowanym algorytmem zdolnym do identyfikowania szumu i sezonowości, a także trendów. SSA wymaga, aby dane były odpowiednio regularnie próbkowane. Jeśli przekroczą pewien limit, zwracany jest błąd wskazujący, że dane są zbyt nieregularne. SSA to najlepsza opcja do prognozowania trendów o charakterze cyklicznym lub oscylacyjnym.

Kiedy do wykonania prognozy stosuje się metodę SSA, algorytm ten szacuje środek zakresu możliwych wartości, jakie przyjmuje miara zależna. Linia jest powiększona o przedział przewidywania obejmujący zakres wartości, które może ona przyjąć. Zamiast wyświetlania wielu możliwych wartości przedział przewidywania jest wyświetlany jako obszar zacieniony.

## Ograniczenia prognoz szeregów czasowych

Prognozowanie szeregów czasowych ma następujące ograniczenia:

* Prognoza nie jest dostępna w przypadku wymiarów hierarchicznych.

* Prognoza nie jest dostępna w przypadku wykresów z więcej niż jednym wymiarem. W przypadku jednego wymiaru i wielu miar tylko jedna miara może mieć włączoną prognozę.

* Prognoza działa tylko wtedy, gdy obowiązuje domyślne sortowanie. Więcej informacji zawiera temat [Zmiana sposobu sortowania wizualizacji](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/Visualizations/change-sorting-of-visualization.htm).

* Minimum punktów danych: OLS wymaga co najmniej 2 punktów danych. SSA wymaga co najmniej 6 punktów danych.

* Maksimum punktów danych: nie zaleca się używania algorytmów w zestawach danych zawierających ponad 5000 punktów danych. Użytkownicy zaczną odczuwać problemy z wydajnością podczas prognozowania szeregów czasowych w przypadku zestawów danych zawierających ponad 5000 punktów danych. Użytkownicy i projektanci aplikacji powinni używać warunku obliczeń zgodnie z wymaganiami, aby po zmniejszeniu zestawu danych przez wybory wyświetlił się wykres. Wybory powinny być ciągłe — patrz następny punkt dotyczący nieregularnego pobierania próbek w czasie.

* W pewnych okolicznościach prognoza będzie działać z nieregularnym próbkowaniem w czasie: OLS będzie działać zawsze, ponieważ nie ogranicza się do prognoz szeregów czasowych lub regularnych danych. SSA wymaga, aby próbkowanie danych było wystarczająco regularne i jeśli przekroczy narzucony limit, zwracany jest błąd wskazujący, że dane były zbyt nieregularne.

* Prognoza nie będzie działać w aplikacji mobilnej Qlik Analytics w trybie offline.

* Jeśli aplikacja z prognozą zostanie wyeksportowana z Qlik Cloud i zaimportowana do QSEoW, wykres prognozy nie zostanie wyświetlony. Prognoza nie jest obsługiwana w QSEoW.

* Po pobraniu wykresu liniowego jako pliku programu Microsoft Excel prognozowane wartości nie są uwzględniane w pliku.

* Po kliknięciu wykresu liniowego prawym przyciskiem myszy i wybraniu polecenia Wyświetl dane prognozowane wartości nie są wyświetlane.

* Prognozowanie szeregów czasowych jest niedostępne, jeżeli którekolwiek wymiary lub miary na wykresie liniowym stosują warunek wyświetlania.

## Przykład

[](https://help.qlik.com/en-US/cloud-services/Subsystems/Hub/Content/Sense_Hub/Visualizations/LineChart/timeseries-forecast.htm)

#### Przykład — prognozowanie szeregów czasowych

Ten przykład ilustruje tworzenie wykresu liniowego z włączoną prognozą szeregów czasowych. W przykład używany jest zestaw danych z dwoma polami: Date jako wymiar ciągły i Tot-KWh, dzienne zużycie energii (w kilowatogodzinach), jako miara. Prognoza jest włączona w celu uzyskania wizualizacji, w której wskaźniki zużycia energii prawdopodobnie zmieszczą się w konfigurowalnym przedziale pewności.

Skrypt ładowania

Załaduj następujące dane jako ładowanie wbudowane w edytorze ładowania danych:

```

MyTable:
Load * Inline [
Date,Tot-KWh
2021-10-27,269 
2021-10-28,380 
2021-10-29,410
2021-10-30,380
2021-10-31,344
2021-11-01,275
2021-11-02,299
2021-11-03,545
2021-11-04,326
2021-11-05,405
2021-11-06,333
2021-11-07,395
2021-11-08,416
2021-11-09,697
2021-11-10,500
2021-11-11,600
2021-11-12,560
2021-11-13,494
2021-11-14,362
2021-11-15,470
2021-11-16,366
2021-11-17,548
];	
```

Aby uzyskać więcej informacji o ładowaniu wbudowanym, zobacz temat [Używanie wbudowanych ładowań do ładowania danych](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Sense_Hub/Scripting/inline-loads-qs.htm).

Tworzenie wykresu liniowego z prognozowaniem szeregów czasowych

Wykonaj następujące czynności:

1. Z panelu zasobów przeciągnij pusty wykres liniowy do nowego arkusza.

2. Wybierz Kliknij, aby dodać tytuł i nazwij wykres Daily electricity consumption in KW hours.

3. Wybierz Dodaj wymiar i dodaj pole Date.

4. Wybierz Dodaj miarę i dodaj miarę Avg([Tot-KWh]).

5. W sekcji Wygląd panelu właściwości rozwiń właściwości Prezentacja i wybierz Brak dla Paska przewijania.

6. Otwórz właściwości miary i wybierz następujące właściwości:

   * Użyj selektora, aby ustawić Prognozę jako Wł.
   * Zmień Kolor na #006580.
   * Przesuń suwak, aby zmienić Grubość linii na 2.
   * Wybierz Typ linii: Przerywana.
   * Zachowaj domyślną wartość Krzywizny linii: Liniowa.
   * Zachowaj domyślną wartość Pokaż pewność: Wł.
   * Zmień wartość Poziom pewności z wartości domyślnej 0,95 na 0,85.

   Właściwości miary do prognozy

   Właściwości miary do prognozy

   Właściwości miary do prognozy![Właściwości miary prognozy](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Resources/Images/ex_TimeSeries_MeasureProps.png)

7. Otwórz właściwości wymiaru i wybierz następujące właściwości:

   * Zachowaj domyślną wartość Kroki prognozy: 3.
   * Zachowaj domyślną wartość mnożnika Rozmiar kroku 1.
   * Zachowaj wybór jednostki czasu i liczby w menu rozwijanym: Dni.

   Właściwości wymiaru do prognozy

   Właściwości wymiaru do prognozy

   Właściwości wymiaru do prognozy![Właściwości wymiaru prognozy](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Resources/Images/ex_TimeSeries_DimensionProps.png)

   Wykres liniowy z prognozą pokazującą interwał dzienny

   Wykres liniowy z prognozą pokazującą interwał dzienny

   Wykres liniowy z prognozą pokazującą interwał dzienny ![Wykres liniowy z włączoną prognozą szeregu czasowego z interwałem dziennym](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Resources/Images/ex_Timeseries_UnitDay.png)

8. Rozwiń właściwości wymiaru:

   * Zachowaj wartość Kroki prognozy: 3.
   * Zachowaj domyślną wartość mnożnika Rozmiar kroku 1.
   * Zmień wybór jednostki czasu i liczbowej w menu rozwijanym: Tygodnie.

9. W sekcji Prezentacja wybierz Pokaż punkty danych.

   Prognozowanie z interwałem tygodnie w okresie 3 tygodni

   Prognozowanie z interwałem tygodnie w okresie 3 tygodni

   Prognozowanie z interwałem tygodnietygodnie w okresie 3 tygodni ![Prognoza 3-tygodniowa z interwałem tygodniowym](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Resources/Images/ex_TimeSeries_3Weeks.png)

10. Rozwiń właściwości wymiaru:

    * Zmień wartość Kroki prognozy: 21.
    * Zachowaj domyślną wartość mnożnika Rozmiar kroku 1.
    * Zmień wybór jednostki czasu i liczbowej w menu rozwijanym: Dni.

11. W sekcji Prezentacja wybierz Pokaż punkty danych.

    Ta demonstracja pokazuje, jak różnie mogą być renderowane prognozy w zależności od szczegółowości jednostek czasu (dni w porównaniu z tygodniami) w tym samym przedziale czasu.

    Prognozowanie z interwałem Dni w okresie 3 tygodni

    Prognozowanie z interwałem Dni w okresie 3 tygodni

    Prognozowanie z interwałem DniDni w okresie 3 tygodni ![Prognoza 3-tygodniowa z interwałem dziennym](https://help.qlik.com/pl-PL/cloud-services/Subsystems/Hub/Content/Resources/Images/ex_TimeSeries_21Days.png)

InformacjaZauważ, że chociaż prognoza wykresów może dotyczyć tego samego czasu, zmiany szczegółowości mogą skutkować bardzo różnymi kształtami.

## Prognozowanie szeregów czasowych przy użyciu Qlik Predict

Za pomocą Qlik Predict możesz uczyć modele uczenia maszynowego w celu przewidywania przyszłych wskaźników na podstawie danych szeregów czasowych. Prognozy są specyficzne dla czasu i mogą być włączone do wykresu liniowego i innych wizualizacji w aplikacji analitycznej. Modele umożliwiają wiele cech i zindywidualizowane prognozy dla różnych grup kategoryzujących dane dla docelowej metryki. Umożliwia to badanie i przewidywanie wzorców dla scenariuszy wielowymiarowych — tych, które obejmują interakcję więcej niż jednej zmiennej w czasie.

Aby tworzyć prognozy szeregów czasowych w Qlik Predict, utwórz eksperyment szeregów czasowych, a następnie wdróż model w celu tworzenia predykcji na podstawie nowych danych.

Więcej informacji zawiera temat:

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

* [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)

Powiązane materiały edukacyjne:

* [Jak prognozować na podstawie danych szeregów czasowych w Qlik Cloud?](https://help.qlik.com/lnk/How_forecast_timeseries_data_qlikcloud)

## Dowiedz się więcej

* [Jak prognozować na podstawie danych szeregów czasowych w Qlik Cloud?](https://help.qlik.com/lnk/How_forecast_timeseries_data_qlikcloud)