Arbeta med tidsserieexperiment
Med tidsserieexperiment kan du träna modeller för att prognostisera mätvärden som motsvarar specifika framtida tidsperioder – till exempel försäljning för nästa vecka eller månad. I Qlik Predict genererar tidsseriemodeller multivariata prognoser som stöder grupperade mål och framtida funktioner. Tidsserieprognoser är tillgängliga för experiment som involverar ett numeriskt mål.
Konfigurera ett tidsserieexperiment
Användningsfall
Tidsserieprognoser är användbara när du behöver datumkänsliga förutsägelser för numeriska mätvärden. Det finns många scenarier där tidsserieprognoser är användbara, inklusive:
-
Försäljnings- och finansiella prognoser
-
Förutsäga lager och lagerbehållning
-
Förutsäga energianvändning och efterfrågan
-
Förutsäga utgifter
Vad är multivariat tidsserieprognos?
Multivariat tidsserieprognos är förutsägelsen av framtida data för scenarier som involverar mer än en variabel. Tidsserieexperiment låter dig utforska tidsspecifika mönster mellan flera mål (introducerade via grupper) och flera funktioner. Till skillnad från förutsägelser som görs med klassificerings- och regressionsmodeller är tidsserieprognoser specifika för ett visst datum eller en viss tid. Du kanske till exempel vill förutsäga din försäljning för de kommande två veckorna, med de tillhörande datumen 1 till 14 januari.
Del 1: Förbered en träningsdatauppsättning
Börja med att förbereda en träningsdatauppsättning. Träningsdatauppsättningen måste innehålla historiska data mätta med jämna tidsintervall. Mer information finns i Förbereda en träningsdatauppsättning.
Del 2: Skapa ett tidsserieexperiment
Du skapar ett tidsserieexperiment genom att skapa ett ML-experiment och sedan välja Tidsserie som Experimenttyp.
För att konfigurera ett experiment som ett tidsserieexperiment måste målet vara numeriskt och ha fler än 11 unika värden (även om det krävs många fler för att producera en modell av hög kvalitet). Datauppsättningen måste också ha en kolumn som innehåller datum- eller tidsstämpelsinformation registrerad över ett konsekvent tidsintervall.
Gör följande:
-
Skapa ett ML-experiment från aktivitetscentret Analyser. Se Skapa experiment.
-
Efter att ha valt en träningsdatauppsättning klickar du på
Visa konfiguration för att expandera panelen för experimentkonfiguration. -
Expandera Experimentinställningar.
-
Använd rullgardinsmenyn för att välja ett mål.
-
Under Experimenttyp väljer du Tidsserie.
Del 3: Konfigurera ditt tidsserieexperiment
Därefter måste du konfigurera parametrar som är specifika för de förutsägelser du vill göra med din tidsseriemodell. Dessa parametrar är specifika för tidsserieexperiment. För beskrivningar av vad varje parameter betyder, se Arbeta med multivariata tidsserieprognoser.
Gör följande:
-
Under Datumindex väljer du den indexkolumn som ska användas.
-
I avsnittet Baserat på dina data anger du Önskad storlek på prognosfönster och Önskad storlek på prognosgap, i tidssteg.
-
Alternativt kan du använda rullgardinsmenyerna för Grupper och Framtida funktioner för att lägga till målgrupperingar och framtida funktioner till modellträningen.
Del 4: Konfigurera andra experimentparametrar
Precis som med andra experimenttyper finns det andra egenskaper – inte unika för tidsserieexperiment – som du kan behöva justera i din experimentkonfiguration. Dessa inkluderar:
-
Välja funktioner
-
Välja algoritmer
-
Ändra funktionstyper
-
Konfigurera biasdetektering
Mer information finns i Konfigurera experiment.
Del 5: Kör träningen
Gör följande:
-
Klicka på Kör experiment.
Nästa steg
Modellanalys
Efter att träningen har slutförts kan du analysera modellerna och bedöma deras kvalitet. Skapa vid behov ytterligare iterationer av experimentet för att förfina resultaten.
Mer information finns i Granskning av modeller.
Modelldistribution och godkännande
Efter att ha analyserat modellerna distribuerar du den bästa till en ML-distribution och aktiverar den sedan för att göra förutsägelser.
Mer information finns i Användning av modeller och Godkänna distribuerade modeller.
Förbereda tillämpningsdatauppsättningar och skapa förutsägelser
Efter att ha distribuerat din modell bör du sätta dig in i kraven för de tillämpningsdatauppsättningar som du kommer att använda för att generera förutsägelser. Se Förbereda en tillämpningsdatauppsättning.
När du har förberett tillämpningsdatauppsättningen skapar du förutsägelser med din tidsseriemodell. Du kan skapa:
-
Satsvisa förutsägelser
-
Realtidsförutsägelser
Begränsningar och överväganden
-
Du kan välja upp till två grupper för ett tidsserieexperiment. Kolumnen du väljer som grupp måste vara kategorisk. Denna kolumn kan innehålla numeriska data, men under träningen behandlas kolumnen som kategorisk.
-
Det maximala prognosfönstret kan vara upp till 180 tidssteg. Mer information finns i Maximalt prognosfönster.
-
Intelligent modelloptimering är inte tillämplig på tidsserieförsök.
-
Tidsserieexperiment stöder inte manuell optimering.
-
Tidsserieexperiment stöder inte optimering av hyperparametrar.
-
Tidsserieexperiment stöder inte tidsmedveten träning.
-
Automatisk fritextfunktionsframtagning är inte tillgänglig för tidsserieexperiment.
-
När du väljer en datumindexkolumn för ett tidsserieexperiment används datumfunktionstypen för denna kolumn. Däremot stöds inte datumfunktionsframtagning för tidsseriemodeller. Automatisk datumfunktionsframtagning är inte tillgänglig att härledas från kolumnen.
-
Tidsserieexperiment tränar modeller med algoritmer för djupinlärning. Beroende på datastorlek och prognosfönster tar tidsseriemodeller därför vanligtvis längre tid att träna än regressions- och klassificeringsmodeller.
-
Tidsserieexperiment stöder träningsdatauppsättningar på upp till 1 GiB i storlek. Mer information finns i Begränsningar för träningsdatauppsättning och profilering.
För begränsningar relaterade till att skapa förutsägelser med tidsseriemodeller, se Begränsningar.
Självstudiekurs
För en fullständig självstudiekurs som visar tidsserieprognoser, från modellträning till förutsägelse, se Självstudie – Predict försäljning med multivariat tidsserieprognostisering.