# 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

設定時間序列實驗

設定時間序列實驗 ![使用「時間序列」實驗類型設定 ML 實驗](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Resources/Images/ml_time-series-experiment.png)

## 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](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#TrainPrepare)。

## 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：

1. 從 分析 活動中心建立 ML 實驗。請參閱 [建立實驗](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/creating-experiments.htm#Creating)。

2. 選取訓練資料集後，按一下 the 檢視組態 icon 以展開實驗組態面板。

3. 展開 實驗設定。

4. 使用下拉式功能表選取目標。

5. 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](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm)。

請執行下列動作：

1. 在 日期索引 下，選取要使用的索引資料行。

   [日期索引](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#DateIndex)

2. 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)。

   [時間步長](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#TimeSteps)

   [預測範圍](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#ForecastHorizon)

3. (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。

   [群組](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#Groups)

   [未來特性](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#FutureFeatures)

## 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](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/configuring-experiments.htm)。

## 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](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/reviewing-experiments.htm)。

### 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。

如需詳細資訊，請參閱 [部署模型](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/deploying-models.htm) 和 [核准已部署的模型](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/approve-models.htm)。

### 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 [準備套用資料集](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#ApplyPrepare)。

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：

* 批次預測

  [對資料集建立預測](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/creating-predictions.htm)

* 即時預測

  [建立即時預測](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/creating-real-time-predictions.htm)

## 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 [最大預測時間範圍](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#MaximumForecast)。

* 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](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/ml-limitations-capacities.htm#DatasetSizeCapacities)。

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](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/time-series-prediction.htm#Limitations)。

## 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](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/time-series-tutorial-intro.htm)。

[使用多變量時間序列預測](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm)