Çok değişkenli zaman serisi tahminiyle çalışma

Qlik Predict ile zamana özgü metrikleri tahmin etmek için makine öğrenimi modellerini eğitebilirsiniz. Sinir ağı tabanlı yöntemler kullanarak modeller, zamana özgü ilişkilendirmeler, gruplandırılmış hedef veriler, geçmiş özellikleri ve bilinen gelecekteki değişkenleri içeren karmaşık kalıpları öğrenir ve tahmin eder. 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.

Hedef

Diğer deney türlerinde olduğu gibi, hedef, modelin gelecekteki değerlerini tahmin etmesini istediğiniz sütundur. Zaman serisi deneyleri için hedef, sayısal veriler (örneğin, satışlar veya envanter) içermelidir.

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.

Veri 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 sorunları 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 gruplama için zamanda bir adımı) temsil eder.

Bir zaman serisi deneyine eğitim veri kümenizi eklediğinizde, olası tarih dizini sütunları otomatik olarak tanımlanır ve sütun düzeyinde size Öngörüler olarak sunulur. Onları şema görünümündeki Olası tarih dizini öngörüsünden tanımlayabilirsiniz.

Gruplar, ayrı ayrı tahminler oluşturmak istediğiniz kategorik bilgi içeren özelliklerdir. Grupların klasik örnekleri arasında mağaza numarası ve ürün yer alır; bunlar satış gibi bir hedef için verileri düzenlemek amacıyla kullanılabilirdi. 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 (bakkaliye ve taze ürün) varsa, modeliniz bu değerlerin her bir benzersiz kombinasyonu için satış tahminleri üretecektir.

Verilere sahipseniz ve kategoriye göre bireysel tahminlere ihtiyacınız varsa, grupları zaman serisi probleminize dahil etmelisiniz. Grupların bir diğer avantajı, 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 kullanır.

Gruplar, tarih dizin sütunundaki çoğalt 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 — hedef tek başına dahil olmak üzere — veri kümenizde ayrı zaman serileri olarak kabul edilir. bk. Zaman serisi nedir?.

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, geleceğe yönelik tahmin yapmak istediğiniz zaman adımı sayısıdır. Örneğin, zaman adımınız bir günse ve önümüzdeki iki hafta için satış tahmini yapmak istiyorsanız, tahmin pencerenizi 14 olarak ayarlarsınız.

Tahmin boşluğu, tahminlere ihtiyaç duymadığınız gelecekteki zaman miktarıdır. 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 isteyebilirsiniz, ancak yalnızca giriş verilerinizin bitiminden bir hafta sonraki tarihler için gelecekteki satışlarla ilgileniyorsunuz. Bu durumda, gün cinsinden bir zaman adımıyla, tahmin boşluğu boyutunuzu yedi zaman adımına ayarlayabilirsiniz.

Seçtiğiniz tahmin penceresi, sahip olduğunuz eğitim verisi miktarına ek olarak, geleceğe ne kadar tahmin yapabileceğinizi sınırlar. Daha fazla bilgi için bkz. Maksimum tahmin penceresi.

Gelecek özellikleri

Gelecekteki özelliklerle, modellerinize zaten bildiğiniz veya makul bir şekilde bekleyebileceğiniz gelecekteki bilgiler hakkında ek veriler sağlayabilirsiniz. Özellikle, seçtiğiniz tahmin ufku boyunca 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 indirimleri ve tahmin penceresi içindeki gelecekteki zaman dilimleri için indirimleri dahil edebilirsiniz. Gelecekteki özelliklerin diğer örnekleri hava durumu veya takvim bilgileri olabilir.

Zaman kademeleri

Zaman kademesi, 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.

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

Modelinizi dağıttıktan sonra, tahmin oluşturmak istediğiniz uygulama verilerinin, eğitim veri kümesinde tanımlandığı gibi aynı zaman adımını takip etmesi gerekecektir.

Kalite

Bir eğitim veri kümesi seçtiğinizde, sistem kullanılan zaman adımını çıkarır. Tarih dizininde eksik değerler veya boşluklar varsa hedef, gruplar ve kovaryantlar gibi sütunlar sistem tarafından otomatik olarak enterpole edilebilir. Ancak, verileriniz farklı zaman adımlarının algılandığı noktaya kadar tutarsız zaman aralıkları içeriyorsa, veriler önce düzeltilmelidir. Örneğin, günlük olarak kaydedilen birkaç aylık veriniz varsa, ancak verilerin tutarlı bir şekilde haftalık olarak kaydedildiği bir bölüm varsa, birden çok zaman adımı algılanacağı için veri kümesi kullanılamaz.

Uygulama zaman aralığı

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. Bu, zaman adımları cinsinden ölçülür. Uygulama penceresi, tahmin penceresi ve boşluk (tahmin ufku) olarak ayarladığınız değerlerle tanımlanır. Uygulama zaman aralığı boyutunuz, en az bir deney sürümü çalıştırdıktan sonra deney yapılandırma panelinde ve Model eğitim özeti bölümünde gösterilir. Bir toplu tahmin yapılandırmasını oluştururken veya düzenlerken ML dağıtımı Model şeması içinde de 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. bk. Uygulama veri kümesi hazırlama.

Maksimum tahmin penceresi

Zaman serisi denemenizi yapılandırdığınızda maksimum tahmin penceresi 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, sağladığınız geçmiş veri miktarı ve sistem tarafından beklenen minimum örneklem boyutu göz önüne alındığında, tahminler oluşturabileceğiniz maksimum zaman adımı sayısıdır. Ne kadar çok geçmiş veri sağlarsanız, o kadar ileriye dönük tahmin yapabilirsiniz. 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, örnekleminizde hedef değerinizin olduğu son tarihtir. Esasen, bu kesme zamanından sonraki tarihler, tahminler oluşturmak istediğiniz tarihlerdir.

Zaman serisi nedir?

Qlik PredictZaman serisi tahmininde, her grup — yalnızca hedef dahil olmak üzere — 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 tanımlanmıştır. Mağaza ve Ürün Türü sütunları gruplar olarak tanımlandığında, eğitim veri kümesinde üç zaman serisi bulunur.

Eğitim veri kümesi hazırlanıyor

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

• Veri dizini

• Hedef sütun

• Grup sütunları (isteğe bağlı)

• Özellik sütunları (isteğe bağlı—özellikler olmadan, tek değişkenli bir tahmin modeli eğitiyorsunuz)

Uygulama veri kümesi — Gereksinimler ve doğrulama

Zaman serisi modelleri için uygulama veri kümesinin ihtiyacı olanlar:

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

• Eğitim veri kümesiyle aynı zaman kademesi.

• Model için uygulama zaman aralığındaki kayıt sayısı kadar veya daha fazla geçmiş veri kaydı (hedef ve gruba göre), tahmin kesme zamanından önce. Bunlar, geçmişte gözlemlenen tarih veya zaman damgasını, hedefi ve kovaryat değerlerini içeren tam kayıtlar olmalıdır. Uygulama zaman aralığı, eğitim sırasında yapılandırılan tahmin zaman aralığı ve boşluğu tarafından belirlenir. Geleceğe yönelik tahmin yapmanız gereken süre ne kadar uzun olursa tahminleri çalıştırmak için uygulama veri kümenizde o kadar fazla geçmiş veriye ihtiyacınız olur.

• Tahmin ufkunuzdaki tüm gelecekteki zaman kademeleri için kayıtlar. Bu gelecekteki kayıtlar için yalnızca tarih dizini sütunu değerleri ve ayrıca herhangi bir gelecek özelliği dahil edin. Diğer sütunların değerlerini boş bırakın.

Örnekler