Trabalhando com experimentos de séries temporais

Com experimentos de séries temporais, você pode treinar modelos para prever métricas correspondentes a períodos futuros específicos — por exemplo, vendas para a próxima semana ou mês. No Qlik Predict, os modelos de séries temporais geram previsões multivariadas que suportam alvos agrupados e recursos futuros. A previsão de séries temporais está disponível para experimentos que envolvem um alvo numérico.

Casos de uso

A previsão de séries temporais é útil sempre que você precisar de previsões sensíveis à data para métricas numéricas. Há muitos cenários em que a previsão de séries temporais é útil, inclusive:

• Previsão de vendas e financeira

• Previsão de inventário e estoque

• Previsão de uso e demanda de energia

• Previsão de despesas

O que é previsão de séries temporais multivariadas?

A previsão de séries temporais multivariadas é a previsão de dados futuros para cenários que envolvem mais de uma variável. Os experimentos de série temporal permitem que você explore padrões específicos de tempo entre vários alvos (introduzidos por meio de grupos) e vários recursos. Diferentemente das previsões feitas com modelos de classificação e regressão, as previsões de séries temporais são específicas para uma determinada data ou hora. Por exemplo, você pode querer prever suas vendas para as próximas duas semanas, com as datas associadas de 1º a 14 de janeiro.

Parte 1: Preparar um conjunto de dados de treinamento

Comece preparando um conjunto de dados de treinamento. O conjunto de dados de treinamento deve incluir dados históricos medidos em intervalos de tempo consistentes. Para detalhes completos, consulte Preparando um conjunto de dados de treinamento.

Parte 2: Criar um experimento de série temporal

Você cria um experimento de série temporal criando um experimento de ML e selecionando Séries temporais como o Tipo de experimento.

Para configurar um experimento como um experimento de série temporal, o alvo precisa ser numérico e ter mais de 11 valores exclusivos (embora muitos mais sejam necessários para produzir um modelo de alta qualidade). O conjunto de dados também precisa ter uma coluna que contenha informações de data ou data-hora registradas em um intervalo de tempo consistente.

Faça o seguinte:

1. Crie um experimento de ML no centro de atividades do Análises. Consulte Criando experimentos.

2. Após selecionar um conjunto de dados de treinamento, clique em Exibir configuração para expandir o painel de configuração do experimento.

3. Expanda Alvo e tipo de experimento.

4. Use o menu suspenso para selecionar um alvo.

5. Em Tipo de experimento, selecione Série temporal.

Parte 3: Configure seu experimento de série temporal

Em seguida, é necessário configurar parâmetros específicos para as previsões que você deseja fazer com o modelo de série temporal. Esses parâmetros são específicos para experimentos de séries temporais. Para obter descrições do significado de cada parâmetro, consulte Trabalhando com previsão de séries temporais multivariadas.

Faça o seguinte:

1. Em Índice de datas, selecione a coluna de índice a ser usada.

   Índice de datas

2. Opcionalmente, use os menus suspensos para Grupos e Recursos futuros para adicionar agrupamentos de destino e recursos futuros ao treinamento do modelo.

   Grupos

   Recursos futuros

3. Na seção Com base nos seus dados, defina o Tamanho da janela de previsão e o Tamanho do intervalo de previsão, em etapas de tempo.

   Etapas de tempo

   Horizonte de previsão

Parte 4: Configurar outros parâmetros do experimento

Assim como em outros tipos de experimento, há outras propriedades — não exclusivas dos experimentos de séries temporais — que talvez seja necessário ajustar na configuração do experimento. Elas incluem:

• Selecionando recursos

• Selecionando algoritmos

• Alterando os tipos de recursos

Para detalhes completos, consulte Configurando experimentos.

Parte 5: Executar o treinamento

Faça o seguinte:

• Na barra inferior, clique em Executar treinamento.

Próximas etapas

Análise de modelo

Após a conclusão do treinamento, você pode analisar os modelos e avaliar sua qualidade. Conforme necessário, crie outras iterações do experimento para refinar os resultados.

Para obter mais informações, consulte Revisando modelos.

Implementação e aprovação de modelo

Depois de analisar os modelos, implemente o melhor deles em uma implementação de ML e, em seguida, ative-o para fazer previsões.

Para obter mais informações, consulte Implementando modelos e Aprovando modelos implementados.

Preparar conjuntos de dados de aplicação e criar previsões

Depois de implementar seu modelo, entenda os requisitos para os conjuntos de dados de aplicação que você usará para gerar previsões. Consulte Preparando um conjunto de dados de aplicação.

Quando você tiver preparado o conjunto de dados de aplicação, crie previsões usando seu modelo de série temporal. Você pode criar:

• Previsões em lote

  Criando previsões sobre conjuntos de dados

• Previsões em tempo real

  Criando previsões em tempo real

Limitações e considerações

• Você pode selecionar até dois grupos para um experimento de série temporal. A coluna que você seleciona como um grupo precisa ser categórica. Essa coluna pode conter dados numéricos, mas durante o treinamento, a coluna é tratada como categórica.

• A janela máxima de previsão pode ser de até 180 etapas de tempo. Para obter mais informações, consulte Janela de previsão máxima.

• A otimização inteligente de modelos não é aplicável a experimentos de séries temporais.

• Os experimentos de séries temporais não suportam a otimização manual.

• Experimentos de séries temporais não suportam otimização de hiperparâmetros.

• Os experimentos com séries temporais não suportam treinamento com reconhecimento de tempo.

• A engenharia automática de recursos de texto livre não está disponível para experimentos de séries temporais.

• Quando você seleciona uma coluna de índice de datas para um experimento de séries temporais, o tipo de recurso de data é usado para essa coluna. No entanto, a engenharia de recursos de data não é compatível com os modelos de séries temporais. Os recursos de data de engenharia automática não estão disponíveis para serem derivados da coluna.

• Os experimentos de séries temporais treinam modelos com algoritmos de aprendizagem profunda. Portanto, dependendo do tamanho dos dados e da janela de previsão, os modelos de séries temporais geralmente levam mais tempo para serem treinados do que os modelos de regressão e classificação.

Para conhecer as limitações relacionadas à criação de previsões com modelos de séries temporais, consulte Limitações.

Tutorial

Para obter um tutorial completo que demonstra a previsão de séries temporais, desde o treinamento do modelo até a previsão, consulte Tutorial – Prevendo vendas com previsão de séries temporais multivariadas.