Introduktionskurs – upplösning av tidsserie i Qlik Sense

Den här introduktionskursen demonstrerar hur man använder tre diagramfunktioner för att lösa upp en tidsserie med STL-algoritmen.

Den här introduktionskursen använder tidsseriedata för det antal passagerare som använder ett flygbolag varje månad för att demonstrera hur STL-algoritmen fungerar. Diagramfunktionerna STL_Trend, STL_Seasonal och STL_Residual kommer att användas för att skapa visualiseringarna. Mer information om upplösning av tidsserier i Qlik Sense finns i Funktioner för uppdelning av tidsserier.

Skapa en app

Börja genom att skapa en ny app och importera datauppsättningen till den.

Ladda ned den här datauppsättningen:

Introduktionskurs – upplösning av tidsserie

Den här filen innehåller data om ett flygbolags passagerarantal per månad.

Gör följande:

1. Från hubben klickar du på Skapa ny app.

2. Öppna appen och släpp Tutorial - Time series decomposition.csv i den.

Förbereda och ladda data

För att Qlik Sense ska kunna tolka fältet YearMonth korrekt kan du behöva använda Datahanteraren för att identifiera fältet som ett datafält i stället för ett fält med strängvärden. Det här steget hanteras normalt automatiskt, men i det här fallet presenteras data i det lite ovanliga formatet ÅÅÅÅ-MM.

1. I Datahanteraren markerar du tabellen och klickar på .

2. Med fältet YearMonth markerat klickar du på och anger Fälttyp till Datum.

3. Under Indataformat anger du YYYY-MM.

4. Under Visningsformat anger du YYYY-MM. Klicka på OK.

   Fältet ska nu visa kalenderikonen.

5. Klicka på Ladda data.

Nu är du klar att börja använda STL-funktionerna för att representera dina data visuellt.

Skapa visualiseringarna

Sedan skapar du två linjediagram för att demonstrera hur diagramfunktionerna STL_Trend, STL_Seasonal och STL_Residual fungerar.

Öppna ett nytt ark och ge det en titel.

Lägg till två linjediagram till arket. Ändra storlek och placering på diagrammen så att de stämmer med följande bild.

Första linjediagrammet: Trend- och säsongskomponenter

Gör följande:

1. Lägg till titeln Säsong och trend till det första diagrammet.

2. Lägg till YearMonth som dimension och ge den etiketten Datum.

3. Lägg till följande mätvärde och ge det etiketten Passagerare per månad:

   =Sum(Passengers)

4. Under Data expanderar du mätvärdet Passagerare per månad och klickar på Lägg till trendlinje.

5. Ange Typ till Linjär.

   Du kommer att jämföra den här trendlinjen med trendkomponentens utjämnade utdata.

6. Lägg till följande mätvärde för att rita upp trendkomponenten och ge det etiketten Trend:

   =STL_Trend(SUM(Passengers), 12)

7. Lägg sedan till följande mätvärde för att rita upp säsongskomponenten och ge det etiketten Säsong:

   =STL_Seasonal(SUM(Passengers), 12)

8. Under Utseende > Presentation anger du Bläddringslist till Ingen.

9. Behåll standardfärgerna eller ändra dem efter eget önskemål.

Andra linjediagrammet: Överskottskomponent

Sedan konfigurerar du det andra linjediagrammet. Den här visualiseringen kommer att visa tidsseriens överskottskomponent.

Gör följande:

1. Dra ett linjediagram till arket. Lägg till titeln Överskott.

2. Lägg till Datum som dimension.

3. Lägg till följande mätvärde och ge det etiketten Överskott:

   =STL_Residual(SUM(Passengers), 12)

4. Under Utseende > Presentation anger du Bläddringslist till Ingen.

Ditt ark ska nu likna det här nedanför.

Tolka och förklara data

Med STL-diagramfunktionerna kan vi få ett antal insikter från våra tidsseriedata.

Trendkomponent

Den statistiska informationen i trendkomponenten har rensats från säsongsdata. Detta gör det lättare att se allmänna fluktuationer över tid som inte upprepas. Jämfört med den räta, linjära trendlinjen för Passagerare per månad fångar STL-trendkomponenten upp trender som förändras. Den visar några tydliga avvikelser, samtidigt som den presenterar informationen på ett läsbart sätt. De utjämnande funktionerna i STL-algoritmen hjälpte till att framhäva detta.

De lägre nivåer på antalet flygpassagerare som syns i STL-trenddiagrammet kan förklaras som en del av den ekonomiska påverkan från lågkonjunkturer som inträffade under 1950-talet.

Säsongskomponent

Den trendrensade säsongskomponenten isolerade återkommande fluktuationer genom tidsserien, och tog bort allmän trendinformation från den delen av analysen. Vi började med en datauppsättning som bestod av aggregerade data över år och månader. Med dessa data är det implicit att vi segmenterar dem i enmånadspartiklar. Genom att definiera periodvärdet 12 anger vi att diagrammet ska modellera säsongsmönster under ettårscykler (tolv månader).

I dessa data finns det ett upprepat säsongsmönster av ett ökat antal flygpassagerare under sommarmånaderna, följt av minskningar under vintermånaderna. Detta stämmer med att sommaren normalt är en populär tid att ta semester och resa. Vi ser också att under tidsserien ökar dessa säsongscykler dramatiskt i amplitud.

Överskottskomponent

Diagrammet för överskottskomponenten visar all information som inte fångades upp i trend- och säsongsupplösningen. Överskottskomponenten innefattar statistiskt brus, men den kan också tyda på en felaktig inställning av argumenten för STL-funktionerna för trend och säsong. I allmänhet gäller att om det finns periodiska svängningar i signalens överskottskomponent, eller om den information som visas uppenbarligen inte är slumpmässig, är det oftast ett tecken på att det finns information i tidsserien som för närvarande inte fångas upp i säsongs- eller trendkomponenterna. I så fall måste du gå tillbaka till definitionerna av varje funktionsargument och kanske ändra periodiciteten.

Jämnare värden

Eftersom vi inte angav några värden för trend- och säsongsutjämningen använder funktionen standardvärden för dessa parametrar. I Qlik Sense ger standardvärdena för utjämning i STL-algoritmen effektiva resultat. Därför kan i de flesta fall dessa argument utelämnas i uttrycken.

Trendutjämningsvärdet använder den dimension som anges i diagrammet. Eftersom fältet YearMonth presenterar data per månad kommer trendutjämningsvärdet att vara antalet månader. Säsongsutjämningen använder den periodicitet som definieras. I det här fallet definierade vi att en period varar i tolv månader (ett år), så säsongsutjämningsvärdet är antalet år. Detta kanske låter förvirrande, men det betyder bara att om vi vill hitta ett säsongsberoende måste vi titta över ett antal säsonger. Detta antal är säsongsutjämningsvärdet.

Annan användbar information

Eftersom säsongscyklerna ökar i amplitud med tiden, kan en mer avancerad analys använda logaritmfunktioner för att skapa en multiplikativ upplösning. I praktiken kan man skapa ett enkelt mått på den relativa amplituden i Qlik Sense genom att dividera säsongskomponenten med trendkomponenten. När vi gör detta ser vi att med tiden får sommartopparna i varje cykel en större relativ amplitud. Amplituden på dalarna under vintern blir dock inte större med tiden.