Eğitim - Qlik Sense içinde zaman serisinin bozulması
Bu eğitim, STL algoritmasını kullanarak bir zaman serisini ayrıştırmak için üç grafik fonksiyonunu kullanmayı gösterir.
Bu eğitim, STL algoritmasının işlevselliğini göstermek için ayda bir havayolu kullanan yolcu sayısına ilişkin zaman serisi verilerini kullanır. STL_Trend, STL_Seasonal ve STL_Residual grafik fonksiyonları, görselleştirmeler oluşturmak için kullanılacak. Qlik Sense içinde zaman serisi ayrışımı hakkında daha fazla bilgi için bkz. Zaman serisi ayrıştırma fonksiyonları.
Uygulama oluşturma
Yeni bir uygulama oluşturarak ve veri kümesini buna aktararak başlayın.
Bu veri kümesini indirin:
Eğitim - Zaman serisinin bozulması
Bu dosya, bir havayolunun aylık yolcu sayısına ilişkin verileri içerir.
Aşağıdakileri yapın:
-
Hub'dan Yeni uygulama oluştur'a tıklayın.
-
Uygulamayı açın ve Tutorial - Time series decomposition.csv dosyasını içine bırakın.
Verileri hazırlama ve yükleme
Qlik Sense öğesinin YearMonth alanını doğru şekilde yorumlayabilmesi için, alanı dize değerleri olan bir alan olarak değil, bir tarih alanı olarak tanımak üzere Veri yöneticisi'ni kullanmanız gerekebilir. Genellikle bu adım otomatik olarak gerçekleştirilir. Ancak bu durumda tarihler biraz yaygın olmayan YYYY-AA biçiminde sunulur.
-
Veri yöneticisi'nde tabloyu seçin ve simgesine tıklayın.
-
YearMonth alanı seçiliyken öğesine tıklayın ve Alan türü'nü Tarih olarak ayarlayın.
-
Giriş biçimi bölümünde, YYYY-AA girin.
-
Görüntüleme biçimi bölümünde, YYYY-AA girin Tamam'a tıklayın.
Alanda artık takvim simgesi görünmelidir.
-
Veri yükle'ye tıklayın.
Artık verilerinizi görsel olarak sunmak için STL fonksiyonlarını kullanmaya başlamaya hazırsınız.
Görselleştirmeleri oluşturma
Ardından STL_Trend, STL_Seasonal ve STL_Residual grafik fonksiyonlarının işlevselliğini göstermek için iki çizgi grafiği oluşturacaksınız.
Yeni bir sayfa açıp bir başlık verin.
Sayfaya iki çizgi grafiği ekleyin. Grafikleri, aşağıdaki görselle eşleşecek şekilde yeniden boyutlandırın ve tekrar konumlandırın.
İlk çizgi grafik: Trend ve dönemsel bileşenler
Aşağıdakileri yapın:
-
İlk çizgi grafiğine Dönemsel ve Trend başlığını verin.
-
Boyut olarak YearMonth ekleyin ve Tarih olarak etiketleyin.
-
Aşağıdaki hesaplamayı ekleyin ve Aylık yolcular olarak etiketleyin:
=Sum(Passengers)
-
Veri bölümünde, Aylık yolcular hesaplamasını genişletin ve Trend çizgisi ekle'ye tıklayın.
-
Tür'ü Doğrusal olarak ayarlayın.
Bu trend çizgisini, trend bileşeninin düzleştirilmiş çıktısıyla karşılaştıracaksınız.
-
Trend bileşenini çizmek ve Trend olarak etiketlemek için aşağıdaki hesaplamayı ekleyin:
=STL_Trend(SUM(Passengers), 12)
-
Ardından, dönemsel bileşeni çizmek ve Dönemsel olarak etiketlemek için aşağıdaki hesaplamayı ekleyin:
=STL_Seasonal(SUM(Passengers), 12)
-
Görünüş > Sunum bölümünde, Kaydırma çubuğu'nu Yok olarak ayarlayın.
-
Varsayılan renkleri kullanın veya tercihlerinize uygun şekilde değiştirin.
İkinci çizgi grafik: Artan bileşen
Ardından ikinci çizgi grafiği yapılandırın. Bu görselleştirme, zaman serilerinin artan bileşenini gösterir.
Aşağıdakileri yapın:
-
Bir çizgi grafiğini sayfaya sürükleyin. Artan başlığını ekleyin.
-
Boyut olarak Tarih öğesini ekleyin.
-
Aşağıdaki hesaplamayı ekleyin ve Artan olarak etiketleyin:
=STL_Residual(SUM(Passengers), 12)
-
Görünüş > Sunum bölümünde, Kaydırma çubuğu'nu Yok olarak ayarlayın.
Sayfanız artık aşağıdaki gibi görünmelidir.
Verileri yorumlama ve açıklama
STL grafiği fonksiyonlarıyla, zaman serisi verilerimizden bir dizi içgörü elde edebiliriz.
Trend bileşeni
Trend bileşenindeki istatistiksel bilgiler dönem dışı bırakılır. Bu, zaman içinde tekrarlanmayan genel dalgalanmaları görmeyi kolaylaştırır. Aylık yolcular için düz, doğrusal trend çizgisiyle karşılaştırıldığında, STL trend bileşeni değişen trendleri yakalar. Bilgileri okunabilir bir şekilde sunmaya devam ederken bazı net sapmalar gösterir. STL algoritmasındaki düzgünleştirici davranışlar, bunu yakalamaya yardımcı olmuştur.
STL trend grafiğinde görülebilen havayolu yolcu sayısındaki düşüşler, 1950'lerde meydana gelen durgunluğun ekonomik etkisinin bir parçası olarak açıklanabilir.
Dönemsel bileşeni
Trendden çıkarılmış dönemsel bileşen, zaman serisi boyunca yinelenen dalgalanmaları ayırdı ve genel trend bilgisini analizin o kısmından çıkardı. Yıl-ay toplamalarından oluşan bir veri kümesiyle başladık. Bu verilerle, verileri bir aylık parçacıklara böldüğümüz ima edilmektedir. 12'lik bir dönem değeri tanımlayarak, grafiği bir yıllık (on iki aylık) döngüler boyunca dönemsel desenleri modelleyecek şekilde ayarladık.
Verilerde, havayolu yolcularında yaz aylarında tekrarlanan dönemsel artış desenleri ve ardından kış aylarında düşüşler görülüyor. Bu, yaz mevsiminin genellikle tatil yapmak ve seyahat etmek için popüler bir zaman olduğu fikriyle uyumludur. Ayrıca, zaman serileri boyunca bu dönemsel döngülerin çokluk olarak büyük ölçüde arttığını görüyoruz.
Artan bileşen
Artan bileşenin grafiği, trend ve dönemsel ayrıştırmada yakalanmayan tüm bilgileri gösterir. Artan bileşen, istatistiksel gürültü içerir. Ancak aynı zamanda STL trendinin ve dönemsel fonksiyon bağımsız değişkeninin yanlış ayarlandığını da gösterebilir. Genel olarak, sinyalin artan bileşeninde periyodik salınımlar varsa veya gösterilen bilgi açıkça rastgele değilse, bu genellikle zaman serilerinde dönemsel ya da trend bileşenlerinde halihazırda yakalanmayan bilgilerin bulunduğunun bir işaretidir. Bu durumda, her fonksiyon bağımsız değişkeninin tanımlarını yeniden gözden geçirmeniz ve muhtemelen periyodikliği değiştirmeniz gerekir.
Daha düz değerler
Trend ve dönemsel düzgünleştiricilere yönelik herhangi bir değer belirtmediğimizden dolayı fonksiyon, bu parametreler için varsayılan değerleri kullanacaktır. Qlik Sense içinde, STL algoritmasındaki varsayılan düzgünleştirici değerleri, etkili sonuçlar oluşturur. Sonuç olarak, çoğu durumda bu bağımsız değişkenler ifadelerin dışında bırakılabilir.
Trend düzgünleştirici değeri, grafikte belirtilen boyutu kullanır. YearMonth alanı, verileri aylara göre sunduğundan dolayı trend düzgünleştirici değeri ay sayısı olacaktır. Dönemsel düzgünleştirici, tanımlanan periyodikliği yansıtır. Bu durumda, bir dönemi on iki ay (bir yıl) sürecek şekilde tanımladığımız için dönemsel düzgünleştirici değer yıl sayısıdır. Bu kafa karıştırıcı gelebilir. Ancak bu gerçekte dönemselliği bulmak için birkaç döneme bakmamız gerektiği anlamına gelir. Bu sayı, dönemsel düzgünleştiricidir.
Diğer yararlı bilgiler
Dönemsel döngülerin çokluğunun zaman içinde arttığı göz önüne alındığında, daha gelişmiş bir analitik yaklaşımı, çarpımsal bir ayrıştırma oluşturmak için logaritmik fonksiyonlardan yararlanabilir. Uygulamada, Qlik Sense içinde dönemselliği trend bileşenine bölerek basit bir göreceli çokluk hesaplaması oluşturulabilir. Bu yapıldığında, zaman içinde her bir döngünün yaz mevsiminin zirve noktalarının göreceli çoklukta büyüdüğünü fark ederiz. Bununla birlikte, kış mevsiminin düşük noktalarının çokluğu zamanla artmaz.