Работа с экспериментами временных рядов

В экспериментах с временными рядами можно обучить модели для прогнозирования показателей в определенных периодах времени в будущем — например, продаж на следующую неделю или месяц. В Qlik Predict модели временных рядов генерируют многомерные прогнозы, которые поддерживают сгруппированные целевые показатели и будущие признаки. Прогнозирование временных рядов доступно для экспериментов с числовым целевым показателем.

Сценарии использования

Прогнозирование с использованием временных рядов применяется тогда, когда нужно получить прогнозы числовых показателей, зависящих от даты. Существует множество сценариев, в которых прогнозирование с использованием временных рядов является эффективным, например:

• Прогнозирование продаж и финансовых показателей

• Прогнозирование складских запасов и остатков

• Прогнозирование потребления и потребности в энергии

• Прогнозирование расходов

Что такое прогнозирование с использованием многомерных временных рядов?

Прогнозирование с использованием многомерных временных рядов — это предсказание данных в будущем для нескольких переменных. Эксперименты с временными рядами позволяют сравнивать несколько целевых показателей в группе и несколько признаков и выявлять закономерности, проявляющиеся с течением времени. В отличие от прогнозов, сделанных с помощью моделей классификации и регрессии, прогнозы временных рядов связаны с датой или временем. Например, можно спрогнозировать продажи на последующие две недели, с датами с 1 по 14 января.

Часть 1. Подготовка обучающего набора данных

Необходимо подготовить обучающий набор данных. Обучающий набор данных должен включать исторические данные, измеренные с постоянными интервалами времени. Более полная информация приводится в разделе Подготовка набора данных для обучения.

Часть 2. Создание эксперимента временных рядов

Для создания эксперимента временных рядов необходимо создать эксперимент машинного обучения и затем в Типе эксперимента выбрать Временные ряды.

Эксперимент может быть экспериментом с временным рядом, если целевой показатель является числовым и имеет более 11 уникальных значений (хотя для создания высококачественной модели требуется гораздо больше значений). Набор данных также должен содержать столбец с данным даты или времени, записанными через одинаковый временной интервал.

Выполните следующие действия.

1. Создайте эксперимент машинного обучения из центра активности Аналитика. См. Создание экспериментов.

2. Выберите обучающий набор данных и нажмите Посмотреть конфигурацию, чтобы развернуть панель конфигурации эксперимента.

3. Разверните Цель и тип эксперимента.

4. В выпадающем меню выберите цель.

5. В разделе Тип эксперимента выберите Временные ряды.

Часть 3. Настройка эксперимента с временными рядами

Далее необходимо настроить параметры, специфичные для прогнозов, генерируемых моделью временных рядов. Эти параметры являются специфичными для экспериментов с временными рядами. Описание значения каждого параметра приводится в разделе Прогнозирование с помощью многомерных временных рядов.

Выполните следующие действия.

1. В разделе Индекс даты выберите столбец, который будет использоваться в качестве индекса.

   Индекс даты

2. При необходимости используйте раскрывающиеся меню Группы и Будущие признаки, чтобы добавить целевые группировки и признаки к обучению модели.

   Группы

   Будущие признаки

3. В разделе На основе ваших данных задайте Размер окна прогноза и Размер прогнозного разрыва в шагах времени (интервалах).

   Интервалы

   Горизонт прогнозирования

Часть 4. Настройка других параметров эксперимента

Эксперимент с временными рядами имеет также свойства, которые есть в экспериментах других типов. Если необходимо, их можно задать в конфигурации эксперимента. К их числу относятся следующие:

• Выбор признаков

• Выбор алгоритмов

• Изменение типов признаков

Полное описание приводится в разделе Настройка экспериментов.

Часть 5. Выполнение обучения

Выполните следующие действия.

• В нижней панели нажмите Выполнение обучения.

Следующие шаги

Анализ модели

После завершения обучения можно проанализировать и оценить качество моделей. Если необходимо получить более точные результаты, создайте дополнительные итерации эксперимента.

Для получения дополнительной информации см. раздел Анализ моделей.

Развертывание и подтверждение модели

После анализа моделей разверните лучшую модель в развертывании машинного обучения и затем активируйте ее.

Для получения дополнительной информации см. разделы Развертывание моделей и Утверждение развернутых моделей.

Подготовка наборов данных для применения и создание прогнозов

После развертывания модели изучите требования к набору данных, который будет применяться для генерации прогнозов. См. Подготовка набора данных для применения.

Если подготовка набора данных для применения завершена, можно перейти к получению прогнозов с помощью модели временных рядов. Вы можете создать:

• Пакетные прогнозирования

  Создание прогнозов на наборах данных

• Прогнозирования в реальном времени

  Создание прогнозирований в реальном времени

Ограничения и замечания

• В эксперименте с временными рядами можно выбрать не более двух групп. Столбец, который выбирается в качестве группы, должен быть категориальным. Этот столбец может содержать числовые данные, но во время обучения он рассматривается как категориальный.

• Максимальное окно прогнозирования может иметь 180 интервалов. Для получения дополнительной информации см. Максимальное окно прогнозирования.

• Интеллектуальная оптимизация модели не применима к экспериментам с временными рядами.

• Эксперименты с временными рядами не поддерживают ручную оптимизацию.

• Эксперименты с временными рядами не поддерживают оптимизацию с помощью гиперпараметров.

• В экспериментах с временными рядами не поддерживается обучение с учетом времени.

• Автоматическая разработка характеристик из свободного текста недоступна для экспериментов с временными рядами.

• Столбец индекса даты, выбранный для эксперимента с временными рядами, интерпретируется как признак с типом даты. Однако, генерация признаков даты не поддерживается в моделях временных рядов. Признаки даты нельзя автоматически извлечь из такого столбца.

• В экспериментах с временными рядами модели обучаются с помощью алгоритмов глубокого обучения. Поэтому модели временных рядов обычно требуют больше времени для обучения, чем модели регрессии и классификации, и процесс обучения зависит от размера данных и окна прогнозирования.

Ограничения, связанные с генерацией прогнозов посредством моделей временных рядов, см. в разделе Ограничения.

Руководство

Полное руководство по прогнозированию с использованием временных рядов, от обучения модели до генерации прогнозов, приводится в разделе Учебное пособие – Прогнозирование продаж с помощью многомерного прогнозирования временных рядов.