Работа с экспериментами временных рядов

С помощью экспериментов временных рядов можно обучать модели для прогнозирования показателей, соответствующих определенным будущим периодам времени — например, продаж на следующую неделю или месяц. В Qlik Predict модели временных рядов генерируют многомерные прогнозы, поддерживающие сгруппированные целевые показатели и будущие характеристики. Прогнозирование временных рядов доступно для экспериментов, включающих числовой целевой показатель.

Варианты использования

Прогнозирование временных рядов полезно во всех случаях, когда требуются прогнозы числовых показателей с привязкой к датам. Существует множество сценариев, в которых полезно прогнозирование временных рядов, в том числе:

• Прогнозирование продаж и финансовых показателей

• Прогнозирование запасов на складе

• Прогнозирование потребления энергии и спроса

• Прогнозирование расходов

Что такое многомерное прогнозирование временных рядов?

Многомерное прогнозирование временных рядов — это прогнозирование будущих данных для сценариев, включающих более одной переменной. Эксперименты временных рядов позволяют исследовать временные закономерности между несколькими целевыми показателями (внедренными через группы) и несколькими характеристиками. В отличие от прогнозов, сделанных с помощью моделей классификации и регрессии, прогнозы временных рядов привязаны к конкретной дате или времени. Например, может потребоваться спрогнозировать продажи на следующие две недели с соответствующими датами с 1 по 14 января.

Часть 1. Подготовка обучающего набора данных

Начните с подготовки обучающего набора данных. Обучающий набор данных должен содержать исторические данные, измеренные через равные промежутки времени. Для получения подробных сведений см. Подготовка набора данных для обучения.

Часть 2. Создание эксперимента временных рядов

Эксперимент временных рядов создается путем создания эксперимента машинного обучения и последующего выбора варианта Временной ряд в качестве значения параметра Тип эксперимента.

Чтобы настроить эксперимент как эксперимент временных рядов, целевой показатель должен быть числовым и иметь более 11 уникальных значений (хотя для создания высококачественной модели требуется гораздо больше). Набор данных также должен содержать столбец с информацией о дате или дате и времени, записанной через равные промежутки времени.

Выполните следующие действия.

1. Создайте эксперимент машинного обучения в центре активности Аналитика. См. Создание экспериментов.

2. После выбора обучающего набора данных нажмите Просмотр конфигурации, чтобы развернуть панель настройки эксперимента.

3. Разверните раздел Параметры эксперимента.

4. Используйте раскрывающееся меню, чтобы выбрать целевой показатель.

5. В разделе Тип эксперимента выберите Временной ряд.

Часть 3. Настройка эксперимента временных рядов

Затем необходимо настроить параметры, специфичные для прогнозов, которые требуется получить с помощью модели временных рядов. Эти параметры специфичны для экспериментов временных рядов. Описание значений каждого параметра см. в разделе Работа с многомерным прогнозированием временных рядов.

Выполните следующие действия.

1. В разделе Индекс даты выберите используемый столбец индекса.

   Индекс даты

2. В разделе На основе ваших данных задайте параметры Желаемый размер окна прогнозирования и Желаемый размер интервала прогнозирования в шагах времени.

   Временные шаги

   Горизонт прогнозирования

3. При необходимости используйте раскрывающиеся меню для параметров Группы и Будущие характеристики, чтобы добавить группировки целевых показателей и будущие характеристики в обучение модели.

   Группы

   Будущие характеристики

Часть 4. Настройка других параметров эксперимента

Как и в случае с другими типами экспериментов, существуют другие свойства (не уникальные для экспериментов временных рядов), которые может потребоваться скорректировать в конфигурации эксперимента. К ним относятся:

• Выбор характеристик

• Выбор алгоритмов

• Изменение типов характеристик

• Настройка обнаружения систематической ошибки

Для получения подробных сведений см. Настройка экспериментов.

Часть 5. Запуск обучения

Выполните следующие действия.

• Нажмите Запустить эксперимент.

Дальнейшие действия

Анализ модели

После завершения обучения можно проанализировать модели и оценить их качество. При необходимости создайте дополнительные итерации эксперимента для уточнения результатов.

Для получения дополнительной информации см. Анализ моделей.

Развертывание и утверждение модели

После анализа моделей разверните лучшую из них в развертывании машинного обучения, а затем активируйте ее для создания прогнозов.

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

Подготовка наборов данных применения и создание прогнозов

После развертывания модели ознакомьтесь с требованиями к наборам данных применения, которые будут использоваться для генерации прогнозов. См. Подготовка набора данных применения.

После подготовки набора данных применения создайте прогнозы с помощью модели временных рядов. Можно создать:

• Пакетные прогнозы

  Создание прогнозов на наборах данных

• Прогнозы в реальном времени

  Создание прогнозирований в реальном времени

Ограничения и особенности

• Для эксперимента временных рядов можно выбрать до двух групп. Столбец, выбираемый в качестве группы, должен быть категориальным. Этот столбец может содержать числовые данные, но во время обучения он обрабатывается как категориальный.

• Максимальное окно прогнозирования может составлять до 180 временных шагов. Для получения дополнительной информации см. Максимальное окно прогнозирования.

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

• Эксперименты временных рядов не поддерживают ручную оптимизацию.

• Эксперименты временных рядов не поддерживают оптимизацию гиперпараметров.

• Эксперименты временных рядов не поддерживают 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 временных рядов модели обучаются с помощью алгоритмов глубокого обучения. Поэтому, в зависимости от размера данных и окна прогнозирования, обучение моделей временных рядов обычно занимает больше времени, чем моделей регрессии и классификации.

• Эксперименты временных рядов поддерживают обучающие наборы данных размером до 1 ГБ. Для получения дополнительной информации см. Ограничения набора данных для обучения и профилирования.

Ограничения, связанные с созданием прогнозов с помощью моделей временных рядов, см. в разделе Ограничения.

Руководство

Полное руководство, демонстрирующее прогнозирование временных рядов от обучения модели до прогнозирования, см. в разделе Учебное пособие – Прогнозирование продаж с помощью многомерного прогнозирования временных рядов.