使用時間序列實驗
透過時間序列實驗，您可以訓練模型來預測特定未來時間段的指標，例如下週或下個月的銷售額。在 Qlik Predict 中，時間序列模型會產生支援分組目標和未來特性的多元預測。時間序列預測適用於涉及數值目標的實驗。
設定時間序列實驗
使用案例
每當您需要對數值指標進行日期敏感的預測時，時間序列預測就非常有用。在許多案例中，時間序列預測都很有用，包括：
-
銷售和財務預測
-
預測庫存和存貨
-
預測能源使用量和需求
-
預測費用
什麼是多元時間序列預測？
多元時間序列預測是指針對涉及多個變數之案例的未來資料預測。時間序列實驗可讓您探索多個目標 (透過群組引入) 與多個特性之間的時間特定模式。與使用分類和迴歸模型進行的預測不同，時間序列預測特定於特定日期或時間。例如，您可能想要預測未來兩週的銷售額，相關日期為 1 月 1 日至 14 日。
第 1 部分：準備訓練資料集
首先準備訓練資料集。訓練資料集必須包含以一致時間間隔測量的歷史資料。如需完整詳細資訊，請參閱 準備訓練資料集。
第 2 部分：建立時間序列實驗
您可以透過建立 ML 實驗，然後選取 時間序列 作為 實驗類型 來建立時間序列實驗。
若要將實驗設定為時間序列實驗，目標必須是數值，且具有超過 11 個唯一值 (儘管需要更多值才能產生高品質的模型)。資料集還需要有一個資料行，其中包含在一致時間間隔內記錄的日期或日期時間資訊。
請執行下列動作：
-
從 分析 活動中心建立 ML 實驗。請參閱 建立實驗。
-
選取訓練資料集後，按一下
檢視組態以展開實驗組態面板。 -
展開 實驗設定。
-
使用下拉式功能表選取目標。
-
在 實驗類型 下，選取 時間序列。
第 3 部分：設定您的時間序列實驗
接下來，您需要設定特定於您要使用時間序列模型進行之預測的參數。這些參數特定於時間序列實驗。如需每個參數代表意義的說明，請參閱 使用多變量時間序列預測。
請執行下列動作：
-
在 日期索引 下，選取要使用的索引資料行。
-
在 根據您的資料 區段中，設定 預期預測視窗大小 和 預期預測間隔大小 (以時間步長為單位)。
-
(選填) 使用 群組 和 未來特性 的下拉式功能表，將目標分組和未來特性新增至模型訓練。
第 4 部分：設定其他實驗參數
與其他實驗類型一樣，您可能需要在實驗組態中調整其他屬性 (並非時間序列實驗所獨有)。這些包括：
-
選取特性
-
選取演算法
-
變更特性類型
-
設定偏差偵測
如需完整詳細資訊，請參閱 設定實驗。
第 5 部分：執行訓練
請執行下列動作：
-
按一下 執行實驗。
後續步驟
模型分析
訓練完成後，您可以分析模型並評估其品質。根據需要，建立實驗的進一步反覆運算以精簡結果。
如需詳細資訊，請參閱 檢閱模型。
模型部署和核准
分析模型後，將最佳模型部署到 ML 部署，然後將其啟用以進行預測。
準備套用資料集並建立預測
部署模型後，請瞭解您將用於產生預測的套用資料集需求。請參閱 準備應用資料集。
準備好套用資料集後，使用您的時間序列模型建立預測。您可以建立：
限制與注意事項
-
您最多可以為時間序列實驗選取兩個群組。您選取作為群組的資料行必須是類別。此資料行可以包含數值資料，但在訓練期間，該資料行會被視為類別。
-
最大預測時間窗最多可達 180 個時間步長。 如需詳細資訊，請參閱 最大預測時間窗。
-
智慧型模型最佳化不適用於時間序列實驗。
-
時間序列實驗不支援手動最佳化。
-
時間序列實驗不支援超參數最佳化。
-
時間序列實驗不支援時間感知訓練。
-
自動自由文字特徵設計不適用於時間序列實驗。
-
當您為時間序列實驗選取日期索引欄時，此欄會使用日期功能類型。然而，時間序列模型不支援日期功能工程。自動工程化日期功能無法從該欄衍生。
-
時間序列實驗使用深度學習演算法訓練模型。因此，視資料大小和預測視窗而定，時間序列模型通常比迴歸和分類模型需要更長的訓練時間。
-
時間序列實驗支援大小高達 1 GiB 的訓練資料集。如需詳細資訊，請參閱 訓練資料集和分析限制。
如需與使用時間序列模型建立預測相關的限制，請參閱 限制。
教學課程
如需示範時間序列預測 (從模型訓練到預測) 的完整教學課程，請參閱 教學課程 – 使用多變量時間序列預測來預測銷售額。