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 tidseriemodeller multivariata prognoser som stöder grupperade mål och framtida funktioner. Tidserieprognostisering är tillgänglig för experiment som involverar ett numeriskt mål.

Användningsfall

Tidsserieprognoser är användbara när du behöver datumberoende förutsägelser för numeriska mätvärden. Det finns många scenarier där tidsserieprognoser är användbara, inklusive:

• Försäljnings- och finansiella prognoser

• Prognostisering av lager och aktier

• Prognostisering av energianvändning och efterfrågan

• Prognostisering av kostnader

Vad är multivariat tidsserieprognostisering?

Multivariat tidsserieprognostisering är prognostisering av framtida data för scenarier som involverar fler än en variabel. Tidsserieexperiment gör att du kan utforska tidsspecifika mönster mellan flera mål (introducerade via grupper) och flera funktioner. Till skillnad från prognoser gjorda med klassificerings- och regressionsmodeller, är tidsserieprognoser specifika för ett visst datum eller tid. Du kanske till exempel vill förutsäga din försäljning för de kommande två veckorna, med tillhörande datum 1 till 14 januari.

Del 1: Förbereda en träningsdatauppsättning

Börja med att förbereda en träningsdatauppsättning. Träningsdatauppsättningen måste innehålla historiska data mätta med konsekventa tidsintervall. Fullständig 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 många fler behövs för att producera en högkvalitativ modell). Datauppsättningen måste också ha en kolumn som innehåller datum- eller tidsinformation registrerad över ett konsekvent tidsintervall.

Gör följande:

1. Skapa ett ML-experiment i aktivitetscentret för Analyser. Se Skapa experiment.

2. Klicka på Visa konfiguration när du har valt en träningsdatauppsättning för att expandera panelen för experimentkonfiguration.

3. Expandera Mål och experimenttyp.

4. Använd listrutan för att välja ett mål.

5. Under Experimenttyp, välj 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 multivariat tidsserieprognostisering.

Gör följande:

1. Under Date index väljer du den indexkolumn som ska användas.

   Datumindex

2. Du kan också använda listrutorna för Grupper och Framtida funktioner för att lägga till målgrupperingar och framtida funktioner i modellträningen.

   Grupper

   Framtida funktioner

3. I delavsnittet Baserat på dina data anger du Prognosfönsterstorlek och Prognosgapstorlek, i tidssteg.

   Tidssteg

   Prognoshorisont

Del 4: Konfigurera andra experimentparametrar

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

Fullständig information finns i Konfigurering av experiment.

Del 5: Kör träningen

Gör följande:

• I den nedre stapeln klickar du på Kör träning.

Nästa steg

Modellanalys

När träningen har slutförts kan du analysera modellerna och bedöma deras kvalitet. Vid behov skapar du ytterligare itereringar av experimentet för att förfina resultaten.

Mer information finns i Granskning av modeller.

Distribution och godkännande av modell

Efter att ha analyserat modellerna distribuerar du den bästa till en ML-distribution och aktiverar den sedan för att göra prognoser.

Se Användning av modeller och Godkänna distribuerade modeller för mer information.

Förbereda tillämpade datauppsättningar och skapa prognoser

Efter att ha distribuerat din modell behöver du förstå kraven för de tillämpade datauppsättningar som du kommer att använda för att generera prognoser. Se Förbereder en tillämpad datauppsättning.

När du har förberett den tillämpade datauppsättningen kan du skapa prognoser med din tidsseriemodell. Du kan skapa:

• Batchprognoser

  Skapa prognoser för datauppsättningar

• Prognoser i realtid

  Skapa realtidsprognoser

Begränsningar och överväganden

• Du kan välja upp till två grupper för ett tidserieexperiment. Kolumnen du väljer som en grupp måste vara kategorisk. Denna kolumn kan innehålla numeriska data, men under träningen behandlas kolumnen som kategorisk.

• Det maximala prognosfönstret kan vara så stort som 180 tidssteg. Mer information finns i Maximalt prognosfönster.

• Intelligent modelloptimering är inte tillämplig på tidsserieförsök.

• Tidsserieexperiment stöder inte manuell optimering.

• Tidsserieexperiment stöder inte hyperparameter-optimering.

• 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 djupinlärningsalgoritmer. Därför tar tidsseriemodeller, beroende på datastorlek och prognosfönster, vanligtvis längre tid att träna än regressions- och klassificeringsmodeller.

För begränsningar relaterade till att skapa prognoser med tidsseriemodeller, se Begränsningar.

Introduktionskurs

För en fullständig handledning som demonstrerar tidsserieprognostisering, från modellträning till prognos, se Självstudie – Predict försäljning med multivariat tidsserieprognostisering.