使用多變數時間序列預測

透過 Qlik Predict，您可以訓練機器學習模型來預測特定時間的指標。使用基於神經網路的方法，模型可以學習並預測涉及特定時間關聯、分組目標資料、歷史功能和已知未來變數的複雜模式。若要建立時間序列預測，請準備訓練資料集，將其用於時間序列實驗，部署模型，然後建立可用於產生預測的應用資料集。

目標

與其他實驗類型一樣，目標是您希望模型預測未來值的欄位。對於時間序列實驗，目標需要包含數值資料（例如銷售額或庫存）。

如果您在時間序列預測中使用 群組，模型將在 預測視窗 中的每個時間步長為每個群組預測一個目標值。如果您不使用群組，您的訓練模型將在預測視窗中的每個時間步長預測一個目標值。

日期索引

日期索引會追蹤連續時間間隔（時間步長）內的時間序列指標。您需要在早期階段決定您的時間步長：您需要多久預測一次未來值？

具體而言，日期索引是出現在您的時間序列問題訓練和應用資料集中的欄位。日期索引決定了這兩個應用資料集的結構——每一列代表時間中的一個步長（或者，對於群組，代表每個唯一分組的時間步長）。

當您在時間序列實驗中新增訓練資料集時，可能的日期索引欄位會自動識別並以 洞察 的形式在欄位層級呈現給您。您可以從結構檢視中的 可能的日期索引 洞察中識別它們。

群組是包含類別資訊的功能，您希望為這些類別分別產生預測。群組的經典範例包括商店編號和產品，這些可用於組織銷售額等目標的資料。透過選擇商店編號和產品類型作為群組，您的時間序列模型將為這些欄位中的每個單獨值提供預測。例如，以銷售額為目標，如果您有三個商店編號（1、2 和 3）和兩個產品類型（雜貨和農產品），您的模型將為這些值的每個唯一組合產生銷售額預測。

如果您有資料並需要按類別進行單獨預測，則應將群組納入您的時間序列問題中。群組的另一個優點是模型可以進行全域學習，從而更好地理解您定義的不同分組之間存在的模式。

您可以設定每個實驗版本要使用的群組。如果您未指定群組，但訓練資料集中識別出了群組，則訓練將使用群組。

群組由日期索引欄位中的重複值識別——例如，對於 2025 年 1 月 14 日，您有兩筆記錄：一筆用於商店 A，另一筆用於商店 B。

時間序列實驗中的每個群組（包括單獨的目標）都被視為資料集中的單獨時間序列。請參閱 什麼是時間序列？。

您在設定實驗版本時設定預測視窗和間隙大小。這些值在模型訓練期間以及從部署為 ML 部署的模型產生預測時都會使用。

預測視窗是您希望預測到未來的 時間步長 數量。例如，如果您的時間步長是一天，並且您想要預測接下來兩週的銷售額，則會將預測視窗設定為 14。

預測間隙是您不需要預測的未來時間量。設定預測間隙是可選的，因為您可能需要也可能不需要。預測間隙從您提供的記錄歷史訓練資料結束處開始。預測視窗在預測間隙結束的地方開始。

例如，您可能希望預測未來銷售額，但您只對輸入資料結束後一週之後的日期感興趣。在這種情況下，以天為時間步長，您可以將預測間隙大小設定為七個時間步長。

您選擇的預測視窗，加上您擁有的訓練資料量，限制了您可以預測到未來的多遠。如需更多資訊，請參閱 最大預測視窗。

未來功能

透過未來功能，您可以向模型提供有關您已經知道或可以合理預期的未來資訊的額外資料。特別是，您可以存取此功能跨越您選擇的 預測範圍 的未來值。定義未來功能時，您需要提供歷史資料以及未來資料。

例如，對於預測可能受商店提供的未來折扣影響的指標的模型，您可以包含歷史觀察到的折扣，以及預測視窗內未來時間段的折扣。未來功能的其他範例可能是天氣或日曆資訊。

時間步長

時間步長由您的訓練資料集定義，對於訓練和預測都很重要。

在您的訓練資料集中，時間步長是記錄日期索引中資料的間隔。例如，時間步長可以是每天、每小時、每分鐘或每秒。 偵測到的最小時間步長為毫秒。

了解訓練資料中使用的時間步長非常重要。您定義的其他實驗參數（例如 預測視窗和預測間隙大小）將遵循此時間步長間隔。

部署模型後，您想要產生預測的應用資料將需要遵循訓練資料集中定義的相同時間步長。

品質

當您選擇訓練資料集時，系統會推斷所使用的時間步長。如果日期索引中存在一些缺失值或間隙，目標、群組和共變數等欄位可以由系統自動插值。但是，如果您的資料包含不一致的時間間隔，以至於偵測到不同的時間步長，則必須先修復資料。例如，如果您有幾個月每天記錄一次的資料，但有一部分資料是每週記錄一次，則該資料集無法使用，因為會偵測到多個時間步長。

應用視窗

應用視窗（或回顧期）是演算法可用於為您指定的 預測視窗 提供預測的訓練資料部分。

應用視窗由系統計算並設定。它以 時間步長 為單位進行測量。應用視窗由您設定為預測視窗和間隙（預測範圍）的內容定義。 在執行至少一個實驗版本後，您的應用視窗大小會顯示在實驗設定面板和 模型訓練摘要 中。在建立或編輯批次預測設定時，它也會顯示在 ML 部署 模型結構 中。

應用視窗會從您的訓練設定中自動識別。若要為給定的預測視窗產生預測，您需要提供涵蓋至少您的應用視窗的歷史資料。這在您的應用資料集中提供。請參閱 準備應用資料集。

最大預測視窗

最大預測視窗會在您設定時間序列實驗時進行估算。在您執行訓練版本後，最大預測視窗將得到確認。當您在實驗設定面板中開啟 目標和實驗類型 時，最大預測視窗會以 估計最大預測 或 最大預測 的形式顯示在 基於您的資料 下。最大預測視窗是您可以產生預測的最大時間步長數量，具體取決於您選擇的預測視窗、您提供的歷史資料量以及系統預期的最小樣本大小。您提供的歷史資料越多，您預測未來的能力就越強。但是，為了產生可靠的預測，選擇合理的預測視窗非常重要。

最大預測視窗可以大到 180 個時間步長。

預測截止時間

預測截止時間在預測期間定義應用資料集時特別重要。預測截止時間是您樣本中擁有目標值的最後一個日期。本質上，此截止時間之後的日期就是您想要產生預測的日期。

什麼是時間序列？

在 Qlik Predict 時間序列預測中，每個群組（包括單獨的目標）都被視為訓練資料集中的單獨時間序列。例如，假設您的訓練資料集包含銷售額指標。這些銷售額指標是為每個商店和產品類型定義的。將商店和產品類型欄位定義為群組，訓練資料集中就有三個時間序列。

準備訓練資料集

對於多變數時間序列預測，您的訓練資料集需要包含下列欄位：

• 日期索引

• 目標欄位

• 群組欄位（可選）

• 功能欄位（可選——沒有功能，您正在訓練單變數預測模型）

應用資料集 — 要求與驗證

對於時間序列模型，應用資料集需要：

• 包含在訓練資料集中的所有欄和欄標題。

• 與訓練資料集相同的時間步長。

• 訓練資料集中存在的所有群組和群組值。

• 在預測截止時間之前的歷史資料記錄數量 (每個目標和群組)，必須等於或多於模型的套用時間範圍中的記錄數量。這些必須是包含歷史觀察日期或時間戳記、目標和共變數值的完整記錄。套用時間範圍由訓練期間設定的預測時間範圍和間隔決定 — 您需要預測的未來時間越長，在套用資料集中執行預測所需的歷史資料就越多。

• 預測範圍內所有未來時間步長的記錄。對於這些未來記錄，僅包含日期索引欄的值，以及任何未來特性。將其他欄的值留空。

範例