Çok değişkenli zaman serisi tahmini ile çalışma

Qlik Predict ile, zamana özgü metrikleri tahmin etmek için makine öğrenimi modellerini eğitebilirsiniz. Sinir ağı tabanlı yöntemleri kullanarak modeller; zamana özgü ilişkilendirmeleri, gruplandırılmış hedef verileri, geçmiş özellikleri ve bilinen gelecekteki değişkenleri içeren karmaşık kalıpları öğrenir ve tahmin eder. Bir zaman serisi tahmini oluşturmak için bir eğitim veri kümesi hazırlayın, bunu bir zaman serisi deneyinde kullanın, bir modeli dağıtın ve ardından tahminler oluşturmak için kullanabileceğiniz uygulama veri kümeleri oluşturun.

Hedef

Diğer deney türlerinde olduğu gibi hedef, modelin gelecekteki değerlerini tahmin etmesini istediğiniz sütundur. Zaman serisi deneyleri için hedefin sayısal veriler içermesi gerekir; örneğin, satışlar veya envanter.

Zaman serisi tahmininde gruplar kullanıyorsanız, modeller tahmin penceresindeki her zaman adımı başına her grup için bir hedef değer tahmin edecektir. Grupları kullanmıyorsanız, eğitilmiş modelleriniz tahmin penceresindeki her zaman adımı için bir hedef değer tahmin edecektir.

Tarih dizini

Tarih dizini, zaman serisi metriklerini sürekli bir zaman aralığı (zaman adımı) boyunca izler. Zaman adımınıza erken bir aşamada karar vermeniz gerekir: gelecekteki değerleri ne sıklıkla tahmin etmeniz gerekiyor?

Özellikle tarih dizini, zaman serisi problemleri için eğitim ve uygulama veri kümelerinizde görünen bir sütundur. Tarih dizini, bu uygulama veri kümelerinin her ikisinin de yapısını belirler; her satır zamanda bir adımı (veya gruplarla, her benzersiz gruplandırma için zamanda bir adımı) temsil eder.

Eğitim veri kümenizi bir zaman serisi deneyine eklediğinizde, olası tarih dizini sütunları otomatik olarak tanımlanır ve sütun düzeyinde İçgörüler olarak size sunulur. Bunları şema görünümündeki Olası tarih dizini içgörüsünden tanımlayabilirsiniz.

Gruplar, ayrı ayrı tahminler oluşturmak istediğiniz kategorik bilgileri içeren özelliklerdir. Grupların klasik örnekleri arasında, satışlar gibi bir hedef için verileri düzenlemek amacıyla kullanılabilecek mağaza numarası ve ürün yer alır. Mağaza numarasını ve ürün türünü gruplar olarak seçerek, zaman serisi modelleriniz bu sütunlardaki her bir değer için tahminler sağlayacaktır. Örneğin, satış hedefiyle, üç mağaza numaranız (1, 2 ve 3) ve iki ürün türünüz (bakkaliye ve tarım ürünleri) varsa, modeliniz bu değerlerin her benzersiz kombinasyonu için satış tahminleri oluşturacaktır.

Verilere sahipseniz ve kategoriye göre bireysel tahminlere ihtiyacınız varsa, grupları zaman serisi probleminize dahil etmelisiniz. Grupların bir diğer avantajı da modellerin küresel olarak öğrenebilmesi ve tanımladığınız farklı gruplandırmalar arasında var olan kalıpları daha iyi anlayabilmesidir.

Her deney sürümü için kullanılacak grupları yapılandırabilirsiniz. Grupları belirtmezseniz ancak eğitim veri kümenizde gruplar tanımlanmışsa, eğitim grupları kullanacaktır.

Gruplar, tarih dizini sütunundaki yinelenen değerlerle tanımlanır; örneğin, 14.01.2025 tarihi için iki kaydınız vardır: biri A mağazası için, diğeri B mağazası için.

Bir zaman serisi deneyindeki her grup (yalnızca hedef dahil), veri kümeniz içinde ayrı zaman serileri olarak kabul edilir. Bkz. Zaman serisi nedir?.

Birincil ve ikincil gruplar

İki grup sütunu olan zaman serisi problemleri için bir grup birincil grup, diğeri ise ikincil gruptur. Örnekler için bkz. Bir eğitim veri kümesi hazırlama, Eğitim veri kümesi örneği — iki grup ve Uygulama veri kümesi örneği — iki grup.

Birincil gruplandırma, bağımsız zaman serilerini tanımlar. Örneğin, her mağaza kendi ayrı zaman serisi haline gelir ve modelin mağazalar arasındaki farklı davranışları ve kalıpları öğrenmesine olanak tanır.

İkincil gruplandırma farklı şekilde ele alınır. Sistem, tamamen ayrı seriler oluşturmak yerine bu değerleri ek özelliklere (ortak değişkenler) dönüştürerek ilgili alt serilerin birbirine bağlamsal bilgi sağlamasına olanak tanır.

Deneyinizde isteğe bağlı olarak bir birincil grup seçebilseniz de, genellikle hangi grubun birincil, hangisinin ikincil olduğunu bilmeniz gerekmez. Dağıtılmış zaman serisi modelleriyle tahmin yapmak için belirli hususlar geçerlidir; bkz. Bir uygulama veri kümesi hazırlama.

Bir deney sürümünü yapılandırırken tahmin penceresini ve boşluk boyutunu ayarlarsınız. Bu değerler hem model eğitimi sırasında hem de ML dağıtımları olarak dağıtılan modellerden tahminler oluşturulurken kullanılır.

Tahmin penceresi, gelecekte tahmin yapmak istediğiniz zaman adımlarının sayısıdır. Örneğin, zaman adımınız bir günse ve önümüzdeki iki hafta için satışları tahmin etmek istiyorsanız, tahmin pencerenizi 14 olarak ayarlarsınız.

Tahmin boşluğu, gelecekte tahmin gerektirmeyen zaman miktarıdır. Bir tahmin boşluğu ayarlamak isteğe bağlıdır, çünkü buna ihtiyacınız olabilir veya olmayabilir. Tahmin boşluğu, sağladığınız kaydedilmiş geçmiş eğitim verilerinin sonunda başlar. Tahmin penceresi, tahmin boşluğunun bittiği yerde başlar.

Örneğin, gelecekteki satışları tahmin etmek istiyor olabilirsiniz, ancak yalnızca girdi verilerinizin bitiminden bir hafta sonrasındaki tarihler için gelecekteki satışlarla ilgileniyorsunuzdur. Bu durumda, gün cinsinden bir zaman adımıyla, tahmin boşluğu boyutunuzu yedi zaman adımına ayarlayabilirsiniz.

Seçtiğiniz tahmin penceresi, ne kadar eğitim verisine sahip olduğunuza ek olarak, gelecekte ne kadar uzağı tahmin edebileceğinizi sınırlar. Daha fazla bilgi için bkz. Maksimum tahmin penceresi.

Gelecekteki özellikler

Gelecekteki özelliklerle, modellerinize zaten bildiğiniz veya makul bir şekilde bekleyebileceğiniz gelecekteki bilgiler hakkında ek veriler sağlayabilirsiniz. Özellikle, seçtiğiniz tahmin ufkunu kapsayan bu özellik için gelecekteki değerlere erişiminiz vardır. Gelecekteki özellikleri tanımlarken, geçmiş verilerin yanı sıra gelecekteki verileri de sağlamanız gerekir.

Örneğin, bir mağaza tarafından sunulan gelecekteki indirimlerden etkilenebilecek metrikleri tahmin eden bir model için, geçmişte gözlemlenen indirimlerin yanı sıra tahmin penceresi içindeki gelecekteki zaman dilimleri için indirimleri de dahil edebilirsiniz. Gelecekteki özelliklerin diğer örnekleri hava durumu veya takvim bilgileri olabilir.

Zaman adımları

Zaman adımı, eğitim veri kümeniz tarafından tanımlanır ve hem eğitim hem de tahminler için önemlidir.

Eğitim veri kümenizde zaman adımı, tarih dizininizdeki verilerin kaydedildiği aralıktır. Örneğin, zaman adımı günlük, her saat, her dakika veya her saniye olabilir. Algılanan en küçük zaman adımı milisaniyedir.

Eğitim verilerinizde kullanılan zaman adımının farkında olmak önemlidir. Tanımladığınız tahmin penceresi ve tahmin boşluğu boyutu gibi diğer deney parametreleri bu zaman adımı aralığını izleyecektir.

Modelinizi dağıttıktan sonra, tahminler oluşturmak istediğiniz uygulama verilerinin eğitim veri kümesinde tanımlananla aynı zaman adımını izlemesi gerekecektir.

Kalite

Bir eğitim veri kümesi seçtiğinizde, sistem kullanılan zaman adımını çıkarır. Tarih dizininde bazı eksik değerler veya boşluklar varsa, hedef, gruplar ve ortak değişkenler gibi sütunlar genellikle sistem tarafından otomatik olarak enterpole edilebilir. Eksik değerlerin neden olduğu yinelenen boşluk kalıpları otomatik olarak işlenir ve kendi başlarına yeni bir zaman adımı getirmezler. Ancak, verileriniz farklı yerel zaman adımlarının algılandığı noktaya kadar gerçekten karışık kayıt aralıkları içeriyorsa, verilerin önce düzeltilmesi gerekir. Örneğin, günde bir kez kaydedilen birkaç aylık veriniz varsa, ancak verilerin tutarlı bir şekilde haftalık olarak kaydedildiği bir bölüm varsa, birden fazla zaman adımı algılanacağı için veri kümesi kullanılamaz.

Uygulama penceresi

Uygulama penceresi veya geriye dönük bakış süresi, algoritmanın belirttiğiniz tahmin penceresi için tahminleri sağlamak üzere kullanabileceği eğitim verilerinin bölümüdür.

Uygulama penceresi sistem tarafından hesaplanır ve ayarlanır. Zaman adımları cinsinden ölçülür. Uygulama penceresi, tahmin penceresi ve boşluk (tahmin ufku) olarak ayarladığınız değere göre tanımlanır. Uygulama penceresi boyutunuz, en az bir deney sürümü çalıştırıldıktan sonra deney yapılandırma panelinde ve Model eğitimi özeti içinde gösterilir. Ayrıca, bir toplu tahmin yapılandırması oluştururken veya düzenlerken bir ML dağıtımı Model şeması içinde de gösterilir.

Uygulama penceresi, eğitim yapılandırmanızdan otomatik olarak tanımlanır. Belirli bir tahmin penceresi için tahminler oluşturmak üzere, en azından uygulama pencerenizi kapsayan geçmiş verileri sağlamanız gerekir. Bu, uygulama veri kümenizde sağlanır. Bkz. Bir uygulama veri kümesi hazırlama.

Maksimum tahmin penceresi

Maksimum tahmin penceresi, zaman serisi deneyinizi yapılandırırken tahmin edilir. Eğitimin bir sürümünü çalıştırdıktan sonra, maksimum tahmin penceresi kesin olarak onaylanır. Maksimum tahmin penceresi, deney yapılandırma panelinde Hedef ve deney türü öğesini açtığınızda, Verilerinize göre altında Tahmini maksimum tahmin veya Maksimum tahmin olarak size gösterilir. Maksimum tahmin penceresi; seçtiğiniz tahmin penceresi, ne kadar geçmiş veri sağladığınız ve sistem tarafından beklenen minimum örneklem boyutu göz önüne alındığında tahminler oluşturabileceğiniz maksimum zaman adımı sayısıdır. Ne kadar çok geçmiş veri sağlarsanız, zamanda o kadar uzağı tahmin edebilirsiniz. Ancak, güvenilir tahminler oluşturmak için makul bir tahmin penceresi seçmek önemlidir.

Maksimum tahmin penceresi 180 zaman adımı kadar büyük olabilir.

Tahmin kesme zamanı

Tahmin kesme zamanı, tahminler sırasında uygulama veri kümenizi tanımlarken özellikle önemlidir. Tahmin kesme zamanı, örneğinizde bir hedef değere sahip olduğunuz son tarihtir. Temel olarak, bu kesme zamanından sonraki tarihler, tahminler oluşturmak istediğiniz tarihlerdir.

Zaman serisi nedir?

Qlik Predict zaman serisi tahmininde, her grup (yalnızca hedef dahil) eğitim veri kümesi içinde ayrı zaman serileri olarak kabul edilir. Örneğin, eğitim veri kümenizin satış metrikleri içerdiğini varsayalım. Bu satış metrikleri her mağaza ve ürün türü için tanımlanır. Mağaza ve Ürün Türü sütunlarının gruplar olarak tanımlanmasıyla, eğitim veri kümesinde üç zaman serisi bulunur.

Bir eğitim veri kümesi hazırlama

Çok değişkenli zaman serisi tahminleri için eğitim veri kümenizin aşağıdaki sütunları içermesi gerekir:

• Tarih dizini

• Hedef sütunu

• Grup sütunları (isteğe bağlı)

• Özellik sütunları (isteğe bağlı; özellikler olmadan tek değişkenli bir tahmin modeli eğitirsiniz)

Uygulama veri kümesi — Gereksinimler ve doğrulama

Zaman serisi modelleri için uygulama veri kümesinin şunlara ihtiyacı vardır:

• Eğitim veri kümesine dahil edilen tüm sütunlar için sütunlar ve sütun başlıkları.

• Eğitim veri kümesiyle aynı zaman adımı.

• Eğitim veri kümesinde bulunan tüm gruplar ve grup değerleri.

  Bilgi notuUygulama veri kümesinde (eğitim verilerinde bulunmayan) yeni grup değerleri varsa, bu satırlar için tahminler oluşturulmaz. Bu yeni grup değerleri için tahminler gerekiyorsa, modeli bunları içeren eğitim verileriyle yeniden eğitmeniz önerilir.
  Bilgi notu

  Tahmin sırasında veya uygulama veri kümesinde, eksik grup değerleri aşağıdaki gibi işlenir:

  • Modelin üzerinde eğitildiği birincil grup değerlerinin olmamasına izin verilir.

  • Eksik ikincil grup değerlerine izin verilmez. Tahmin bir hatayla başarısız olur.

  Mümkün olduğunda tahmin sırasında tüm ikincil grup verilerini toplamak ve sağlamak en iyisidir. Ancak, ikincil grupların esas olarak tahmin sırasında eksik olması bekleniyorsa, olası bir çözüm ikincil grupları kullanmaktan tamamen kaçınmaktır.

  Bunun yerine, orijinal birincil ve ikincil grup değerlerini tek bir yeni gruplama sütununda birleştirebilir, bunu yeni birincil grup olarak kullanabilir ve modeli bu yapıya göre yeniden eğitebilirsiniz. Bu kurulumda, yeni model yalnızca yeni sunulan birincil gruplara bağlıdır.

  Bunun dezavantajı, gruplar arasındaki ilişkili bilgilerin bir kısmını kaybedebilmenizdir, çünkü bunlar artık birbirine bağlamsal bilgi sağlayan ilgili alt seriler yerine tamamen ayrı zaman serileri olarak ele alınacaktır.

• Model için uygulama penceresindeki kayıt sayısı kadar veya daha fazla, tahmin kesme zamanından önceki geçmiş veri kaydı (hedef ve grup başına). Bunların, geçmişte gözlemlenen tarih veya zaman damgasını, hedef ve ortak değişken değerlerini içeren tam kayıtlar olması gerekir. Uygulama penceresi, eğitim sırasında yapılandırılan tahmin penceresi ve boşluk tarafından belirlenir; gelecekte ne kadar uzun süre tahmin yapmanız gerekirse, tahminleri çalıştırmak için uygulama veri kümenizde o kadar fazla geçmiş veriye ihtiyacınız olur.

• Tahmin ufkunuzdaki tüm gelecekteki zaman adımları için kayıtlar. Bu gelecekteki kayıtlar için yalnızca tarih dizini sütununun değerlerini ve ayrıca tüm gelecekteki özellikleri dahil edin. Diğer sütunların değerlerini boş bırakın.

Örnekler