# Tidsserieprognos med linjediagrammet

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.

Tidsserieprognosdiagram skapat med OLS-metoden

Tidsserieprognosdiagram skapat med OLS-metoden

Tidsserieprognosdiagram skapat med OLS-metoden ![tidsserieprognosdiagram skapat med OLS-metoden](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Resources/Images/ui_TimeSeries_OLS_rev.png)

Tidsserieprognosdiagram skapat med SSA-metoden

Tidsserieprognosdiagram skapat med SSA-metoden

Tidsserieprognosdiagram skapat med SSA-metoden ![tidsserieprognosdiagram skapat med SSA-metoden](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Resources/Images/ui_TimeSeries_SSA_rev.png)

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.

[Time series forecasting](https://play.vidyard.com/xGKootWFwW6RqSnhqGUitu)

## 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](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/Visualizations/change-sorting-of-visualization.htm).

* 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 applikationsdesigners bör använda beräkningsvillkoret efter behov, så att när datauppsättningen reduceras via urval, visas diagrammet. 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 Analytics mobilappen i offlineläge.

* Om en applikation 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

[](https://help.qlik.com/en-US/cloud-services/Subsystems/Hub/Content/Sense_Hub/Visualizations/LineChart/timeseries-forecast.htm)

#### Exempel – tidsserieprognos

Det här exemplet demonstrerar att ett linjediagram skapas med tidsserieprognos aktiverat. Exemplet tar en datauppsättning med två fält: Date för den kontinuerliga dimensionen och Tot-KWh, daglig elförbrukning (kilowattimmar) för måttet. Prognos är aktiverat för att visualisera var det är sannolikt att energiförbrukningstakten kommer att falla inom det konfigurerbara konfidensintervallet.

Laddningsskript

Ladda följande data som en inline-laddning i Skriptredigeraren:

```

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
];	
```

Mer information om hur du använder inline-laddningar finns i [Använda inline-laddningar för att ladda data](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/Scripting/inline-loads-qs.htm).

Skapa ett linjediagram med tidsserieprognos

Gör följande:

1. Från resurspanelen drar du ett tomt linjediagram till ett nytt ark.

2. Välj Klicka för att lägga till titel och namnge diagrammet Daily electricity consumption in KW hours.

3. Välj Lägg till dimensionoch lägg till fältet Date.

4. Välj Lägg till mått och lägg till måttet Avg([Tot-KWh]).

5. I avsnittet Utseende i egenskapspanelen expanderar du egenskaper för Presentation och väljer Inga för Rullningslist.

6. Öppna måttegenskaper och välj följande egenskaper:

   * Använd urvalsverktyget för att välja Prognos: På.
   * Ändra Färg till #006580.
   * Flytta skjutreglaget för att ändra Linjetjocklek till 2.
   * Välj Linjetyp: Streckad.
   * Behåll standardvärdet för Linjens kurva: Linjär.
   * Behåll standardvärdet för Visa konfidens: På.
   * Ändra värdet för Konfidensnivå från standardvärdet på 0,95 till 0,85.

   Måttegenskaper för prognos

   Måttegenskaper för prognos

   Måttegenskaper för prognos![Egenskaper för prognosmått](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Resources/Images/ex_TimeSeries_MeasureProps.png)

7. Öppna dimensionsegenskaper och välj följande egenskaper:

   * Behåll standardvärdet för Prognossteg: 3.
   * Behåll standardvärdet för Stegstorlekens multiplicerare: 1.
   * Val i listruta att behålla enhet för tid och antal: Days.

   Dimensionsegenskaper för prognos

   Dimensionsegenskaper för prognos

   Dimensionsegenskaper för prognos![Prognosdimensionsegenskaper](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Resources/Images/ex_TimeSeries_DimensionProps.png)

   Linjediagram med prognos som visas dagsintervall

   Linjediagram med prognos som visas dagsintervall

   Linjediagram med prognos som visas dagsintervall ![Linjediagram med tidsserieprognos aktiverat med dagtidsintervall](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Resources/Images/ex_Timeseries_UnitDay.png)

8. Expandera dimensionsegenskaper:

   * Behåll värdet för Prognossteg: 3.
   * Behåll standardvärdet för Stegstorlekens multiplicerare: 1.
   * Val i listruta att ändra enhet för tid och antal: Weeks.

9. I avsnittet Presentation väljer du Visa datapunkter.

   Prognos med intervallet veckor över 3 veckor

   Prognos med intervallet veckor över 3 veckor

   Prognos med intervallet veckorveckor över 3 veckor ![Prognos 3 veckor med veckointervall](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Resources/Images/ex_TimeSeries_3Weeks.png)

10. Expandera dimensionsegenskaper:

    * Ändra värdet för Prognossteg: 21.
    * Behåll standardvärdet för Stegstorlekens multiplicerare: 1.
    * Val i listruta att ändra enhet för tid och antal: Days.

11. I avsnittet Presentation väljer du Visa datapunkter.

    I denna demonstration visas vilken stor skillnad det kan bli i utfallet för en prognos beroende på tidsenhetens detaljnivå (dagar jämfört med veckor) över samma tidsintervall.

    Prognos med intervallet dagar över 3 veckor

    Prognos med intervallet dagar över 3 veckor

    Prognos med intervallet dagardagar över 3 veckor ![Prognos 3 veckor med dagsintervall](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Resources/Images/ex_TimeSeries_21Days.png)

Anteckning om informationObservera att även om diagrammen ger prognoser för samma tidsperiod, kan ändringar på detaljnivå ge upphov till mycket olika former.

## Tidsserieprognoser med Qlik Predict

Med Qlik Predict kan du träna maskininlärningsmodeller för att förutsäga framtida mätvärden baserat på tidsseriedata. Prognoser är tidsspecifika och kan införlivas i linjediagrammet och andra visualiseringar i din analysapplikation. Modeller tillåter flera funktioner och individualiserade prognoser för olika grupper som kategoriserar data för ditt mått. Detta gör att du kan utforska och förutsäga mönster för multivariata scenarier – de som involverar interaktionen mellan mer än en variabel över tid.

För att skapa tidsserieprognoser i Qlik Predict, skapa ett tidsserieexperiment och distribuera sedan en modell för att skapa prognoser på nya data.

Mer information finns här:

* [Arbeta med tidsserieexperiment](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/time-series-experiment.htm)

* [Arbeta med multivariata tidsserieprognoser](https://help.qlik.com/sv-SE/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm)

Relaterat utbildningsinnehåll:

* [Hur prognosticerar jag baserat på tidsseriedata i Qlik Cloud?](https://help.qlik.com/lnk/How_forecast_timeseries_data_qlikcloud)

## Mer information

* [Hur prognosticerar jag baserat på tidsseriedata i Qlik Cloud?](https://help.qlik.com/lnk/How_forecast_timeseries_data_qlikcloud)