# 時間序列問題

時間序列機器學習問題涉及利用歷史資料來預測特定日期和時間的數值指標。

## 比較迴歸問題和時間序列問題

迴歸問題與時間序列問題在目標變數和其所涉及的實際應用案例方面相似。這兩種問題類型之間也存在一些差異。

如需迴歸問題的詳細資訊，請參閱 [迴歸問題](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/regression-problems.htm)。

### 相似處

* 兩者都涉及數值目標欄。

* 兩者都常用於涉及銷售和貨幣預測的金融使用案例中。

### 差異

* 時間序列問題支援分組目標，而迴歸問題則不支援（請參閱 [時間序列問題的元件](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/machine-learning-framework-time-series.htm#Components)）。分組情境仍可透過訓練多個不同模型來解決迴歸問題，但代價是犧牲跨群組的整體學習。

* 時間序列問題支援您預先知道某些功能變數的情境，例如與天氣相關的預測、規劃的促銷折扣，以及日期是否落在平日、週末和假日。這些功能變數稱為[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)。

* 對於時間序列問題，資料必須以固定時間間隔按日期或日期時間編製索引。此外，在訓練和預測期間，預期會產生不同的資料內容（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)和[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)）。

* 在時間序列問題中，預測值明確對應到特定日期和時間。在迴歸問題中，預測值可能對應或不對應到特定日期和時間，但如果它們對應，這種關聯是隱含的，而非在輸出中明確標示。

* 使用不同的演算法 (請參閱 [理解模型演算法](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/algorithms.htm))。

## 時間序列範例：未來銷售

此範例概述了您需要為時間序列問題收集和提供的資料。若要深入瞭解如何開發時間序列問題的架構，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)。

在此範例中，目標是預測未來四天的每日銷售額。此外，已要求預測每個地區和產品組的每日銷售總額。由於需要按地區和產品組劃分的銷售額，因此已確立一個多元時間序列問題。

首先，收集並彙總資料以訓練模型。要求是在特定時間範圍內，每天呈現每個地區和產品組的總銷售額。此外，希望提供每個地區和產品組每天有多少產品可供促銷。

收集之資料的樣本

| 日期 | 促銷中的產品 | 區域 | 產品群組 | 鎖售額 |
| --- | --- | --- | --- | --- |
| 2025-01-01 | 100 | 北美 | 雜貨 | 99642.10 |
| 2025-01-01 | 31 | 南美洲 | 產品 | 34660.34 |
| 2025-01-01 | 11 | 北美 | 熟食區 | 60345.44 |
| 2025-01-01 | 14 | 南美洲 | 雜貨 | 44603.33 |
| 2025-01-01 | 76 | 北美 | 產品 | 105844.44 |
| 2025-01-01 | 133 | 南美洲 | 德里 | 150385.44 |
| 2025-01-02 | 17 | 北美 | 雜貨 | 80195.22 |
| 2025年1月2日 | 35 | 南美洲 | 產品 | 61051.13 |
| 2025年1月2日 | 24 | 北美 | 熟食店 | 55938.38 |
| 2025年1月2日 | 118 | 南美洲 | 雜貨 | 104823.33 |
| 2025年1月2日 | 40 | 北美 | 產品 | 11111.12 |
| 2025年1月2日 | 73 | 南美洲 | 熟食 | 15493.33 |

假設歷史資料可用的最後日期是 2025-10-09。理論上，在針對此使用案例使用時間序列模型進行訓練、部署和預測之後，您可以預期追蹤的預測結果。

預測資料範例

| 日期 | 促銷中的產品 | 區域 | 產品群組 | 鎖售額 |
| --- | --- | --- | --- | --- |
| 2025-10-10 | 0 | 北美 | 雜貨 | 193803.15 |
| 2025年10月10日 | 14 | 南美洲 | 產品 | 76666.66 |
| 2025年10月10日 | 55 | 北美 | 熟食 | 30593.55 |
| 2025年10月10日 | 2 | 南美洲 | 雜貨 | 10549.33 |
| 2025年10月10日 | 1341 | 北美 | 產品 | 100003.33 |
| 2025-10-11 | 0 | 南美洲 | 熟食 | 70001.87 |
| 2025年10月11日 | 0 | 北美 | 雜貨 | 39522.11 |
| 2025-10-11 | 150 | 南美洲 | 產品 | 91859.30 |
| 2025-10-11 | 65 | 北美 | 熟食店 | 19583.55 |
| 2025-10-11 | 12 | 南美洲 | 雜貨 | 194863.00 |
| 2025-10-11 | 70 | 北美 | 產品 | 140244.13 |
| 2025-10-11 | 15 | 南美洲 | 熟食 | 76666.66 |
| 2025-10-12 | 20 | 北美 | 雜貨 | 30593.55 |
| 2025-10-12 | 20 | 南美洲 | 產品 | 10549.33 |
| 2025-10-12 | 39 | 北美 | 熟食店 | 100003.33 |
| 2025-10-12 | 109 | 南美洲 | 雜貨 | 105893.99 |
| 2025-10-12 | 37 | 北美 | 產品 | 80195.22 |
| 2025-10-13 | 75 | 南美洲 | 熟食區 | 61051.13 |
| 2025-10-13 | 190 | 北美 | 雜貨 | 55938.38 |
| 2025-10-13 | 0 | 南美洲 | 產品 | 104823.33 |
| 2025-10-13 | 0 | 北美 | 熟食區 | 99105.99 |
| 2025年10月13日 | 100 | 南美洲 | 雜貨 | 130533.31 |
| 2025年10月13日 | 0 | 北美 | 產品 | 67676.73 |
| 2025年10月13日 | 14 | 南美洲 | 熟食店 | 100474.24 |

## 瞭解更多資訊

* [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)
* [使用時間序列實驗](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/time-series-experiment.htm)