Tidsserieprognos

Affärsanvändare och analytiker övervakar ofta trender över tid för sina mått och med tidsserieprognoser kan de beräkna hur dessa observationer kommer att se ut i framtiden. Att kunna förutsäga hur trendlinjer utvecklas kan påverka strategier och beslut. I Qlik Cloud kan du göra en tidsserieprognos som producerar visualiseringar som drar ut trendlinjer med förväntade värden som genererats och presenterats i linjediagrammet. Beroende på vilken metod som används visas möjliga värden med konfigurerbara konfidensnivåer i en skuggad yta som motsvarar konfidensintervallet. Tidsserieprognoser använder pålitliga, förutsägbara funktioner. SSA-algoritmen (singular spectrum analysis) visar ett konfidensintervall och OLS-metoden (ordinary least squares) visar en enkel linjär regression.

Tidsserieprognosen gör en tydlig skillnad mellan förutsagda värden och historiska värden. Visualiseringen visar en stegvis prognos enligt de valda inställningarna för multipliceraren i Prognossteg och Stegstorlek i dimensionsegenskaperna. När SSA-metoden väljs manuellt, visas en skuggad yta som representerar visningen av förutsagda konfidensintervallet. Det här intervallet konfigureras i måttegenskaperna:Visa förtroende och Förtroendenivå. Den skuggade ytan visar intervallet med troliga värden (t.ex. 95 %), som innebär att de framtida värden som förväntas hamna i den skuggade ytan har 95 procents sannolikhet.

Krav och egenskapernas beteende

Ett växlingsreglage för prognoser visas i måttegenskaperna för avancerade alternativ när följande krav är uppfyllda:

• En numerisk dimension eller tidsdimension
• Ett mått och en dimension
• Dimensionsaxeln ska vara kontinuerlig.

Det är viktigt att veta att inställningen för Prognos-växling bara visas i måttegenskaperna när måttet är en numerisk dimension eller tidsdimension och dimensionsaxeln är kontinuerlig. När det är aktiverat visas tidsserieprognosens egenskaper både i panelerna för dimension och mått. I dimensionsegenskaperna hanteras inställningar för horisontalt avstånd och steg. I måttegenskaperna hanteras metod-, linje- och skuggningsstilar, förtroendeinställning och -nivå.

OLS- och SSA-metoder

OLS (Ordinary Least Square) är en enkel regressionsmodell som beräknar trendlinjer genom att minimera kvadratsumman av skillnaderna mellan den observerade beroende variabeln och den förväntade variabeln. Tidserieprognos är ett bra alternativ för användare som vill se linjära trender i sina data. Den kontrollerar inte för brus eller outliers utan använder helt enkelt samtliga data för att skapa en linjär regressionslinje.

Jämfört med OLS är SSA (Singular Spectrum Analysis) en sofistikerad algoritm som kan identifiera brus, säsongsvariationer och trender. SSA kräver att data samlas in tillräckligt regelbundet. Om de överstiger en viss gräns, visas ett meddelande som anger att data är för oregelbundna. SSA är det bästa alternativet för att förutse trender med cykliskt eller oscillerande beteende.

Om SSA-metoden används för att skapa en prognos, beräknar algoritmen mitten i intervallet för möjliga värden som det beroende måttet får. Linjen förstärks med ett förutsägelseintervall som visar ett intervall med värden som den kan få. Istället för att visa många möjliga värden, visas förutsägelseintervallet som en skuggad yta.

Begränsningar för tidsserieprognoser

Tidsserieprognoser har följande begränsningar:

• Prognos är inte aktiverat för hierarkiska dimensioner.
• Prognos är inte aktiverat för diagram med fler än en dimension. Om du har en dimension och flera mått, kan prognos bara aktiveras för ett mått.
• Prognos fungerar endast med standardsorteringsregler. Mer information finns i Ändra sorteringsordning för en visualisering.
• Minsta antal datapunkter: OLS kräver minst 2 datapunkter. SSA kräver minst 6 datapunkter.

• Maximalt antal datapunkter: vi avråder från att använda algoritmer på datauppsättningar med mer än 5 000 datapunkter. Användare kommer att börja få prestandaproblem med tidsserieprognoser för datauppsättningar med mer än 5 000 datapunkter. Användare och appdesigners bör använda beräkningsvillkoret efter behov, så att diagrammet visas när datauppsättningen reducerats via urval. Urvalen bör ske kontinuerligt. Se följande punkt om oregelbundna insamlingar.

• Prognosen fungerar med oregelbunden tidssampling under vissa omständigheter: OLS kommer alltid att fungera eftersom det inte är begränsat till tidsserieprognoser eller regelbundna data. SSA kräver att datainsamling sker tillräckligt regelbundet och om en fastställd gräns överskrids, visas ett meddelande som anger att data är för oregelbundna.

• Prognos kommer inte att fungera i Qlik Cloud Mobile for SaaS i offlineläge.

• Om en app med prognos exporteras från Qlik Cloud och importeras till QSEoW kommer prognosdiagrammet inte att visas. Prognos stöds inte i QSEoW.

• När du hämtar ett linjediagram som en Microsoft Excel-fil ingår inte prognostiserade värden i filen.

• När du högerklickar på ett linjediagram och klickar på Visa data visas inte prognostiserade data.

• Tidsserieprognos är inte tillgängligt om någon av dimensionerna eller måtten i linjediagrammet använder visningsvillkor.

Exempel

MyTable:
Load * Inline [
Date,Tot-KWh
2021-10-27,269 
2021-10-28,380 
2021-10-29,410
2021-10-30,380
2021-10-31,344
2021-11-01,275
2021-11-02,299
2021-11-03,545
2021-11-04,326
2021-11-05,405
2021-11-06,333
2021-11-07,395
2021-11-08,416
2021-11-09,697
2021-11-10,500
2021-11-11,600
2021-11-12,560
2021-11-13,494
2021-11-14,362
2021-11-15,470
2021-11-16,366
2021-11-17,548
];