Çok değişkenli zaman serisi tahmini ile çalışma
Qlik Predict ile zamana özel metrikleri tahmin etmek için makine öğrenmesi modelleri eğitebilirsiniz. Sinir ağı tabanlı yöntemler kullanan modeller; zamana özel ilişkiler, gruplandırılmış hedef veriler, geçmiş özellikler ve bilinen gelecek değişkenlerini 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 model dağıtın ve ardından tahminler oluşturmak için kullanabileceğiniz uygulama veri kümeleri oluşturun.
Zaman serisi probleminin bileşenleri
Zaman serisi tahmini ile amaç, gelecekteki belirli tarihler için hedef değerleri tahmin etmektir. Örneğin, önümüzdeki hafta, ay veya çeyrek için satışları tahmin etmek isteyebilirsiniz.
Zaman serisi probleminizi geliştirirken aşağıdaki bileşenleri tanımlayın:
-
Hedef ve gruplar
-
Tarih dizini
-
Tahmin ufku
-
Ortak değişkenler
Qlik Predict içindeki bir zaman serisi tahmini probleminin bileşenlerini özetleyen basitleştirilmiş çizim.
Hedef
Diğer deney türlerinde olduğu gibi hedef, modelin gelecekteki değerlerini tahmin etmesini istediğiniz sütundur. Zaman serisi deneyleri için hedefin sayısal veri içermesi gerekir; örneğin satışlar veya envanter.
Zaman serisi tahmininde gruplar kullanıyorsanız, modeller tahmin penceresindeki her zaman adımı için grup başına 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 bir zaman adımını (veya gruplarla, her benzersiz gruplandırma için bir zaman adımını) temsil eder.
Bir zaman serisi deneyine eğitim veri kümenizi eklediğinizde, olası tarih dizini sütunları otomatik olarak tanımlanır ve size sütun düzeyinde İçgörüler olarak sunulur. Bunları şema görünümündeki Olası tarih dizini içgörüsünden tanımlayabilirsiniz.
Gruplar
Gruplar, ayrı ayrı tahminler oluşturmak istediğiniz kategorik bilgileri içeren özelliklerdir. Klasik grup örnekleri arasında, satış gibi bir hedef için verileri düzenlemek amacıyla kullanılmış olabilecek mağaza numarası ve ürün yer alır. Mağaza numarası ve ürün türünü grup 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 (market ve manav) varsa, modeliniz bu değerlerin her benzersiz kombinasyonu için satış tahminleri oluşturacaktır.
Verileriniz varsa 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 arasındaki kalıpları daha iyi anlayabilmesidir.
Her deney sürümü için kullanılacak grupları yapılandırabilirsiniz. Grupları belirtmezseniz ancak eğitim veri kümenizde gruplar tanımlanırsa, eğitim grupları kullanacaktır.
Gruplar, tarih dizini sütunundaki yinelenen değerlerle tanımlanır; örneğin, 14.01.2025 tarihi için iki kaydınız vardır: biri mağaza A için, diğeri mağaza B için.
Bir zaman serisi deneyindeki her grup (yalnızca hedef dahil) veri kümeniz içinde ayrı zaman serileri olarak kabul edilir. Zaman serisi nedir? bölümüne bakın.
Tahmin ufku
Tahmin ufku, gelecekte ne kadar ileriye dönük tahmin yapmak istediğinizi belirtir. Tahmin ufku, tahmin penceresinden (tahminlere ihtiyaç duyduğunuz zaman adımı sayısı) ve tahmin boşluğundan (geçmiş verilerinizden sonra tahmin istemediğiniz isteğe bağlı zaman adımı sayısı) oluşur.
Tahmin penceresini ve boşluk boyutunu bir deney sürümünü yapılandırırken ayarlarsınız. Bu değerler hem model eğitimi sırasında hem de ML dağıtımları olarak dağıtılan modellerden tahminler oluşturulurken kullanılır.
Tahmin penceresi, gelecekte tahmin etmek istediğiniz zaman adımlarının sayısıdır. Örneğin, zaman adımınız bir günse ve önümüzdeki iki hafta için satış tahmini yapmak istiyorsanız, tahmin pencerenizi 14 olarak ayarlarsınız.
Tahmin boşluğu, gelecekte tahmin gerektirmeyen zaman miktarıdır. Bir tahmin boşluğu ayarlamak isteğe bağlıdır, çünkü bir tanesine ihtiyacınız olabilir veya olmayabilir. Tahmin boşluğu, sağladığınız kayıtlı geçmiş eğitim verilerinin sonunda başlar. Tahmin penceresi, tahmin boşluğunun bittiği yerde başlar.
Örneğin, gelecekteki satışları tahmin etmek istiyor olabilirsiniz, ancak yalnızca girdi verilerinizin sonundan bir hafta sonrasına ait tarihler için gelecekteki satışlarla ilgileniyorsunuzdur. Bu durumda, günlük zaman adımıyla, tahmin boşluğu boyutunuzu yedi zaman adımı olarak ayarlayabilirsiniz.
Seçtiğiniz tahmin penceresi, ne kadar eğitim verisine sahip olduğunuzla birlikte, gelecekte ne kadar ileriye tahmin yapabileceğinizi sınırlar. Daha fazla bilgi için Maksimum tahmin penceresi bölümüne bakın.
Ortak değişkenler
Zaman serisi problemlerinde özellikler genellikle ortak değişkenler olarak adlandırılır. Diğer makine öğrenmesi problemlerine benzer şekilde, ortak değişkenler, hedefin sonucu üzerinde etkisi olduğundan şüphelendiğiniz diğer değişkenlerdir. Her ortak değişken, eğitim veri kümenizde tek bir sütun olarak temsil edilir.
Zaman serisi tahmininde birkaç tür ortak değişken vardır ve bunların bazı önemli ayrımları bulunur:
-
Statik ortak değişkenler: Bir zaman serisi boyunca değişmeyen sütunlar. Statik ortak değişkenler, grupların kullanıldığı zaman serisi deneylerinde uygulanabilir. Örneğin, Ürün ve Mağaza Numarası için gruplarınız olduğunu ve Varsayılan İndirim adlı bir özellik olduğunu varsayalım. Mağaza 1'deki Ürün A'nın %10 varsayılan indirimi varsa ve Mağaza 2'deki Ürün B'nin %20 varsayılan indirimi varsa, Varsayılan İndirim statik bir ortak değişken olurdu. Yani, göründüğü grup içindeki verilerde değişmez.
Statik ortak değişkenler, deneye dahil ettiğiniz geçmiş özelliklerden otomatik olarak algılanır. Hangi özelliklerin statik ortak değişken olduğunu belirtmeniz gerekmez.
-
Geçmiş ortak değişkenler: Yalnızca geçmiş verilerde mevcut olan ve bu veriler genelinde değişen zamana bağlı değişkenler. Geçmiş ortak değişkenler, deneye dahil ettiğiniz geçmiş özelliklerden otomatik olarak algılanır. Hangi özelliklerin geçmiş ortak değişken olduğunu açıkça belirtmeniz gerekmez.
-
Gelecek ortak değişkenler: Gelecek özellikleri olarak da bilinen gelecek ortak değişkenleri, tahmin ufku içinde gelecekteki değerlerini bileceğiniz zamana bağlı değişkenlerdir. Eğitimde gelecek ortak değişkenlerini kullanırken, bunları eğitim yapılandırmasında gelecek özellikleri olarak belirtmeniz gerekir.
Gelecek özellikleri
Gelecek özellikleri ile modellerinize zaten bildiğiniz veya makul bir şekilde bekleyebileceğiniz gelecek bilgileri hakkında ek veriler sağlayabilirsiniz. Özellikle, seçtiğiniz tahmin ufkunuzu kapsayan bu özellik için gelecek değerlerine erişiminiz vardır. Gelecek özelliklerini tanımlarken, geçmiş verilerin yanı sıra gelecek verilerini 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. Gelecek özelliklerinin diğer örnekleri hava durumu veya takvim bilgileri olabilir.
Diğer önemli kavramlar
Bu bölüm, zaman serisi probleminizle ilgili olan ancak doğrudan bir deneyde veya ML dağıtımında yapılandırmadığınız kavramları özetler. Bunlar, verileriniz veya model için yapılandırdığınız diğer özellikler tarafından tanımlanan özelliklerdir.
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, saatlik, dakikalık veya saniyelik olabilir. Algılanan en küçük zaman adımı milisaniyedir.
Eğitim verilerinizde kullanılan zaman adımının farkında olmak önemlidir. Tahmin penceresi ve tahmin boşluğu boyutu gibi tanımladığınız 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 sistem tarafından otomatik olarak enterpolasyonla doldurulabilir. Ancak, verileriniz farklı zaman adımlarının algılandığı noktaya kadar tutarsız zaman aralıkları içeriyorsa, verilerin önce düzeltilmesi gerekir. Örneğin, günlük olarak kaydedilmiş birkaç aylık veriniz varsa, ancak verilerin haftalık olarak tutarlı bir şekilde kaydedildiği bir bölüm varsa, birden fazla zaman adımı algılanacağından veri kümesi kullanılamaz.
Uygulama penceresi
Uygulama penceresi veya geriye dönük inceleme dönemi, algoritmanın belirttiğiniz tahmin penceresi için tahminleri sağlamak üzere kullanabileceği eğitim verilerinin bir kısmıdır.
Uygulama penceresi sistem tarafından hesaplanır ve ayarlanır. Zaman adımları ile ölçülür. Uygulama penceresi, tahmin penceresi ve boşluğu (tahmin ufku) olarak ayarladığınız şeyle tanımlanır. Uygulama penceresi boyutunuz, en az bir deney sürümü çalıştırdıktan sonra deney yapılandırma panelinde ve Model eğitimi özeti bölümünde gösterilir. Ayrıca, bir toplu tahmin yapılandırması oluştururken veya düzenlerken bir ML dağıtımı Model şemasında da gösterilir.
Uygulama penceresi, eğitim yapılandırmanızdan otomatik olarak tanımlanır. Belirli bir tahmin penceresi için tahminler oluşturmak üzere, en az uygulama pencerenizi kapsayan geçmiş verileri sağlamanız gerekir. Bu, uygulama veri kümenizde sağlanır. Uygulama veri kümesi hazırlama bölümüne bakın.
Maksimum tahmin penceresi
Maksimum tahmin penceresi, zaman serisi deneyinizi yapılandırırken tahmin edilir. Eğitimin bir sürümünü çalıştırdıktan sonra, maksimum tahmin penceresi kesin olarak doğrulanır. Maksimum tahmin penceresi, deney yapılandırma panelinde Hedef ve deney türü bölümünü açtığınızda Verilerinize göre altında Tahmini maksimum tahmin veya Maksimum tahmin olarak size görüntülenir. Maksimum tahmin penceresi, seçtiğiniz tahmin penceresi, sağladığınız geçmiş veri miktarı ve sistem tarafından beklenen minimum örnek boyutu göz önüne alındığında, tahmin oluşturabileceğiniz maksimum zaman adımı sayısıdır. Ne kadar çok geçmiş veri sağlarsanız, gelecekte o kadar ileriye tahmin yapabilirsiniz. Ancak, güvenilir tahminler oluşturmak için makul bir tahmin penceresi seçmek önemlidir.
Maksimum tahmin penceresi 180 zaman adımı kadar büyük olabilir.
Tahmin kesme süresi
Tahmin kesme süresi, tahminler sırasında uygulama veri kümenizi tanımlarken özellikle önemlidir. Tahmin kesme süresi, örnekleminizde hedef değere sahip olduğunuz son tarihtir. Esasen, bu kesme süresinden sonraki tarihler, tahminler oluşturmak istediğiniz tarihlerdir.
Zaman serisi nedir?
Qlik Predict zaman serisi tahmininde, her grup (yalnızca hedef dahil) eğitim veri kümesi içindeki ayrı zaman serileri olarak kabul edilir. Örneğin, eğitim veri kümenizin satış metriklerini içerdiğini varsayalım. Bu satış metrikleri her mağaza ve ürün türü için tanımlanmıştır. Mağaza ve Ürün Türü sütunları grup olarak tanımlandığında, eğitim veri kümesinde üç zaman serisi vardır.
Eğitim veri kümesi hazırlama
Çok değişkenli zaman serisi tahminleri için eğitim veri kümenizin aşağıdaki sütunları içermesi gerekir:
-
Tarih dizini
-
Hedef sütun
-
Grup sütunları (isteğe bağlı)
-
Özellik sütunları (isteğe bağlı; özellikler olmadan tek değişkenli bir tahmin modeli eğitiyorsunuz)
Zaman serisi eğitim veri kümeleri için gerekli sütunları ve verileri gösteren çizimler. Grupsuz, bir gruplu ve iki gruplu senaryolar açıklanmıştır.
Bir zaman serisi tahmin modeli için eğitim veri kümesinin gerekli bileşenlerini ve zaman çizelgesini özetleyen doğrusal şema.
Tarih dizini sütunu
Tam tarihleri veya zaman damgalarını içeren bir tarih dizinine ihtiyacınız vardır. Bu sütun, hedef ve ortak değişken metriklerinin izlendiği kronolojik dizindir. Tarih dizini sütunu, zaman tabanlı ölçümleri tutarlı bir zaman aralığı (zaman adımı) boyunca sıralı olarak düzenler.
Tarih dizini sütunu, grupları kullanıp kullanmadığınıza bağlı olarak aşağıdaki gibi düzenlenir:
-
Grupsuz: Her zaman adımı için tek bir kayıt. Örneğin, günlük tahminle her satır tek bir günü temsil eder.
-
Gruplarla: Kullanılan gruplara bağlı olarak her zaman adımı için bir veya daha fazla yinelenen giriş.
Çok değişkenli bir eğitim veri kümesiyle, kullanılan gruplara bağlı olarak her zaman adımı için bir veya daha fazla yinelenen giriş olacaktır. Kullandığınız zaman adımında esneklik vardır; örneğin, tarihleri günlük, haftalık veya aylık bazda bir veya daha fazla kez kaydedebilirsiniz.
Bu sütundaki eksik veya tutarsız kaydedilmiş değerler, enterpolasyon yapılabiliyorsa bazen kabul edilebilir. Ancak, tarih dizini değerleriniz birden fazla farklı zaman adımı içeremez. Örneğin, aralık günde bir kez olarak belirlenmişse, ancak bir noktada günde iki kez aralık algılanırsa, eğitim sırasında bir hata oluşacaktır.
Hedef sütun ve grup sütunları
Veri kümenizin, tahmin etmek istediğiniz sayısal bir metrik içeren bir hedef sütuna sahip olması gerekir. Yaygın bir örnek satışlardır.
Grupları kullanıyorsanız, eklediğiniz gruplardaki her olası değer için geçmiş hedef değerleri sağlarsınız. Örneğin, hedefiniz Satış ise ve Satış verilerini içeren bir Mağaza Numarası grubu eklerseniz, veri kümenizin her zaman adımı için iki ayrı kayıt içermesi gerekir: biri Mağaza A için satış değeri, diğeri Mağaza B için satış değeri.
Özellik sütunları
Bir zaman serisi modelini herhangi bir ortak değişken olmadan eğitebilirsiniz. Ancak, ortak değişkenleri dahil ederseniz, her özellik için veri kümesinde bir sütun sağlayın. Gelecek özelliklerini eklemediğiniz sürece özellik verileri genellikle geçmişte kaydedilmiş veriler olmalıdır. Gelecek özelliği sütunları hem geçmiş hem de gelecek verilerini içerebilir. Gelecek özelliği verilerini yalnızca tahminler oluşturduğunuzda bu sütunların gelecek değerlerinin bilineceğinden eminseniz eğitim veri kümesine dahil etmelisiniz.
Hangi özellikleri gelecek özellikleri olarak kullanacağınızı takip edin, çünkü bunları eğitim yapılandırmasında bu şekilde seçmeniz gerekecektir.
Veri hacmi
Veri kümenizin yeterli kayıt içermesi gerekir; veri hacmi tüm gruplar arasında paylaşılan zaman aralığı tarafından belirlenir. Deneyi eğitmek için yalnızca bu çakışan dönemden gelen veriler kullanılır.
Geçmiş verilerinizin hacmi, gelecekte ne kadar ileriye tahmin yapabileceğinizi belirlemede rol oynar. İstediğiniz tahmin penceresi de ne kadar geçmiş veriye ihtiyacınız olduğunu etkiler.
Genel olarak, daha fazla geçmiş veri daha azından iyidir. Ancak, verilerin kaliteli olması ve istenen eğilimleri yakalaması gerekir. Veriler alakasız bilgiler sağlıyorsa veya yanlışlıklar içeriyorsa, modelde bulunması yararlı değildir. Hacmi optimize etmek ile kaliteyi ve uygunluğu korumak arasında bir denge düşünün.
Örnekler
Uygulama veri kümesi hazırlama
Bir zaman serisi modelini dağıttıktan sonra, tahminlerin yapılacağı bir uygulama veri kümesi geliştirmeniz gerekir.
Uygulama veri kümesi — Gereksinimler ve doğrulama
Zaman serisi modelleri için uygulama veri kümesi şunlara ihtiyaç duyar:
-
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.
-
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 ileriye dönük tahmin yapmanız gerekiyorsa, tahminleri çalıştırmak için uygulama veri kümenizde o kadar fazla geçmiş veriye ihtiyacınız vardır.
-
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.
Zaman serisi tahmin modellerinden tahminler oluşturmak için kullanılan uygulama veri kümeleri için gerekli sütunları ve verileri gösteren çizimler. Grupsuz, bir gruplu ve iki gruplu senaryolar açıklanmıştır.
Bir zaman serisi tahmin modeliyle tahminler oluşturmak için kullanılan bir uygulama veri kümesinin gerekli bileşenlerini ve zaman çizelgesini özetleyen doğrusal şema.
