# Problemas de séries temporais Os problemas de aprendizado de máquina de séries temporais envolvem o aproveitamento de dados históricos para prever métricas numéricas para datas e horários específicos. ## Comparando problemas de regressão e séries temporais Os problemas de regressão são semelhantes aos problemas de séries temporais, tanto na variável-alvo quanto nos casos de uso do mundo real que envolvem. Há também várias diferenças entre esses dois tipos de problemas. Para obter mais informações sobre problemas de regressão, consulte [Problemas de regressão](https://help.qlik.com/pt-BR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/regression-problems.htm). ### Semelhanças * Ambos envolvem uma coluna de metas numéricas. * Ambos são geralmente usados em casos de uso financeiro que envolvem vendas e previsão monetária. ### Diferenças * Os problemas de séries temporais suportam alvos agrupados, enquanto os problemas de regressão não (consulte [Componentes de um problema de série temporal](https://help.qlik.com/pt-BR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#Components)). Ainda é possível abordar cenários agrupados para problemas de regressão treinando vários modelos diferentes, ao custo do aprendizado global entre os grupos. * Problemas de séries temporais suportam cenários em que você conhece certas variáveis de recursos antecipadamente — por exemplo, previsões meteorológicas, descontos promocionais planejados e se as datas caem em dias úteis, fins de semana ou feriados. Essas variáveis de recursos são conhecidas como [Recursos futuros](https://help.qlik.com/pt-BR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#FutureFeatures). * Para problemas de séries temporais, os dados devem ser indexados por data ou data/hora em um intervalo de tempo fixo. Além disso, diferentes conteúdos de dados são esperados e gerados durante o treinamento e previsões (consulte [Preparando um conjunto de dados de treinamento](https://help.qlik.com/pt-BR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#TrainPrepare) e [Preparando um conjunto de dados de aplicação](https://help.qlik.com/pt-BR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#ApplyPrepare)). * Em problemas de séries temporais, os valores previstos correspondem explicitamente a datas e horários específicos. Em problemas de regressão, os valores previstos podem ou não corresponder a datas e horas específicas, mas, se corresponderem, essa associação estará implícita e não explicitamente indicada no resultado. * São usados diferentes algoritmos (consulte [Entendendo os algoritmos de modelo](https://help.qlik.com/pt-BR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/algorithms.htm)). ## Exemplo de série temporal: Vendas futuras Este exemplo apresenta um alto nível dos dados que você precisa coletar e fornecer para um problema de série temporal. Para saber mais sobre o desenvolvimento de estruturas para problemas de séries temporais, consulte [Trabalhando com previsão de séries temporais multivariadas](https://help.qlik.com/pt-BR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm). Neste exemplo, o objetivo é prever as vendas diárias para os próximos quatro dias. Além disso, foi solicitado que os totais de vendas diárias fossem previstos para cada região e grupo de produtos. Com a necessidade de vendas por região e grupo de produtos, foi estabelecido um problema de série temporal multivariada. Para começar, os dados são coletados e agregados para treinar o modelo. O requisito é que seja apresentado o valor total de vendas, por região e grupo de produtos, para cada dia dentro de um período de tempo específico. Além disso, é desejável fornecer quantos produtos estão disponíveis em promoção por dia para cada região e grupo de produtos. Amostra de dados coletados | Data | Produtos em promoção | Região | Grupo de produtos | Vendas. | | --- | --- | --- | --- | --- | | 2025-01-01 | 100 | América do Norte | Mercearia | 99642.10 | | 2025-01-01 | 31 | América do Sul | Produto | 34660.34 | | 2025-01-01 | 11 | América do Norte | Deli | 60345.44 | | 2025-01-01 | 14 | América do Sul | Mercearia | 44603.33 | | 2025-01-01 | 76 | América do Norte | Produto | 105844.44 | | 2025-01-01 | 133 | América do Sul | Deli | 150385.44 | | 2025-01-02 | 17 | América do Norte | Mercearia | 80195.22 | | 2025-01-02 | 35 | América do Sul | Produto | 61051.13 | | 2025-01-02 | 24 | América do Norte | Deli | 55938.38 | | 2025-01-02 | 118 | América do Sul | Mercearia | 104823.33 | | 2025-01-02 | 40 | América do Norte | Produto | 11111.12 | | 2025-01-02 | 73 | América do Sul | Deli | 15493.33 | Suponha que a última data para a qual há dados históricos disponíveis seja 2025-10-09. Teoricamente, após o treinamento, a implementação e a previsão com um modelo de série temporal para esse caso de uso, você poderia esperar as seguintes previsões. Exemplo de dados previstos | Data | Produtos em promoção | Região | Grupo de produtos | Vendas. | | --- | --- | --- | --- | --- | | 2025-10-10 | 0 | América do Norte | Mercearia | 193803.15 | | 2025-10-10 | 14 | América do Sul | Produto | 76666.66 | | 2025-10-10 | 55 | América do Norte | Deli | 30593.55 | | 2025-10-10 | 2 | América do Sul | Mercearia | 10549.33 | | 2025-10-10 | 1341 | América do Norte | Produto | 100003.33 | | 2025-10-11 | 0 | América do Sul | Deli | 70001.87 | | 2025-10-11 | 0 | América do Norte | Mercearia | 39522.11 | | 2025-10-11 | 150 | América do Sul | Produto | 91859.30 | | 2025-10-11 | 65 | América do Norte | Deli | 19583.55 | | 2025-10-11 | 12 | América do Sul | Mercearia | 194863.00 | | 2025-10-11 | 70 | América do Norte | Produto | 140244.13 | | 2025-10-11 | 15 | América do Sul | Deli | 76666.66 | | 2025-10-12 | 20 | América do Norte | Mercearia | 30593.55 | | 2025-10-12 | 20 | América do Sul | Produto | 10549.33 | | 2025-10-12 | 39 | América do Norte | Deli | 100003.33 | | 2025-10-12 | 109 | América do Sul | Mercearia | 105893.99 | | 2025-10-12 | 37 | América do Norte | Produto | 80195.22 | | 2025-10-13 | 75 | América do Sul | Deli | 61051.13 | | 2025-10-13 | 190 | América do Norte | Mercearia | 55938.38 | | 2025-10-13 | 0 | América do Sul | Produto | 104823.33 | | 2025-10-13 | 0 | América do Norte | Deli | 99105.99 | | 2025-10-13 | 100 | América do Sul | Mercearia | 130533.31 | | 2025-10-13 | 0 | América do Norte | Produto | 67676.73 | | 2025-10-13 | 14 | América do Sul | Deli | 100474.24 | ## Saiba mais * [Trabalhando com previsão de séries temporais multivariadas](https://help.qlik.com/pt-BR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm) * [Trabalhando com experimentos de séries temporais](https://help.qlik.com/pt-BR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/time-series-experiment.htm)