# 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. Настройка эксперимента временных рядов Настройка эксперимента временных рядов Настройка эксперимента временных рядов ![Настройка эксперимента машинного обучения с типом эксперимента «Временной ряд»](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Resources/Images/ml_time-series-experiment.png) ## 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](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#TrainPrepare). ## 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](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/creating-experiments.htm#Creating). 2. После выбора обучающего набора данных нажмите the Просмотр конфигурации icon , 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](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm). Выполните следующие действия. 1. В разделе Индекс даты выберите используемый столбец индекса. [Индекс даты](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#DateIndex) 2. В разделе На основе ваших данных задайте параметры Желаемый размер окна прогнозирования и Желаемый размер интервала прогнозирования в шагах времени. [Временные шаги](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#TimeSteps) [Горизонт прогнозирования](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#ForecastHorizon) 3. При необходимости используйте раскрывающиеся меню для параметров Группы и Будущие характеристики, чтобы добавить группировки целевых показателей и будущие характеристики в обучение модели. [Группы](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#Groups) [Будущие характеристики](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#FutureFeatures) ## 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. [Configuring experiments](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/configuring-experiments.htm). ## 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](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/reviewing-experiments.htm). ### 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](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/deploying-models.htm) и [Утверждение развернутых моделей](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/approve-models.htm). ### 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 для применения](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#ApplyPrepare). После подготовки набора данных применения создайте прогнозы с помощью модели временных рядов. Можно создать: * Пакетные прогнозы [Создание прогнозов на наборах данных](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/creating-predictions.htm) * Прогнозы в реальном времени [Создание прогнозирований в реальном времени](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/creating-real-time-predictions.htm) ## 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](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#MaximumForecast). * 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](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/ml-limitations-capacities.htm#DatasetSizeCapacities). Ограничения, связанные с созданием прогнозов с помощью моделей временных рядов, см. в разделе [Ограничения](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/time-series-prediction.htm#Limitations). ## 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](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/time-series-tutorial-intro.htm). [Работа с многомерным прогнозированием временных рядов](https://help.qlik.com/ru-RU/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm)