Présentation des séries temporelles

Une expérimentation de série temporelle est une méthode de prédiction qui utilise des observations historiques pour prédire des valeurs futures. L'expérience génère automatiquement de nombreux pipelines à l'aide de modèles d'apprentissage automatique, tels que la régression de forêt aléatoire et les machines virtuelles de support (SVM), ainsi que des modèles de séries temporelles statistiques, tels que ARIMA et Holt-Winters. Ensuite, l'expérimentation recommande le meilleur pipeline en fonction des performances de pipeline évaluées sur un ensemble de données restant ou des ensembles de données de test en amont.

Contrairement à une expérimentation AutoAI standard, qui génère un ensemble de pipelines jusqu'à leur achèvement, puis les classe. Une expérimentation de série temporelle évalue les pipelines plus tôt dans le processus et ne termine et ne teste que les pipelines les plus performants.

Pour plus de détails sur les différentes étapes de la formation et tester une expérience de séries temporelles, voir détails de l'implémentation des séries temporelles.

Utilisation des fonctions de support pour améliorer les prévisions

Lorsque vous configurez votre expérimentation de séries temporelles, vous pouvez choisir de spécifier des fonctions de support, également appelées fonctions exogènes. Les fonctions de support sont des fonctions qui influencent ou ajoutent du contexte à la cible de prévision. Par exemple, si vous prévoyez des ventes de crème glacée, la température quotidienne serait une fonction de support logique qui rendrait la prévision plus précise.

Exigences en données

Voici les exigences actuelles en matière de données pour l'entraînement d'une expérimentation de séries temporelles:

• Les données d'entraînement doivent correspondre à un fichier unique au format CSV.

• Le fichier doit contenir une ou plusieurs colonnes de série temporelle et éventuellement une colonne d'horodatage. Pour obtenir la liste des formats de date / heure pris en charge, voir Détails de l'implémentation de la série temporelleAutoAI.

• Si la source de données contient une colonne d'horodatage, vérifiez que les données sont échantillonnées à une fréquence uniforme. En d'autres termes, la différence entre les horodatages des lignes adjacentes est identique. Par exemple, les données peuvent être par incréments d'une minute, d'une heure ou d'un jour. L'horodatage spécifié est utilisé pour déterminer la fenêtre de récupération des consultations afin d'améliorer la précision du modèle.

  Remarque :

  Si la taille du fichier est supérieure à 1 Go, triez les données dans l'ordre décroissant en fonction de l'horodatage, et seul le premier Go est utilisé pour entraîner l'expérimentation.

• Si la source de données ne contient pas de colonne d'horodatage, vérifiez que les données sont échantillonnées à intervalles réguliers et triées dans l'ordre croissant en fonction de la date / heure de l'échantillon. En d'autres termes, la valeur de la première ligne est la plus ancienne et la valeur de la dernière ligne est la plus récente.

  Remarque: si la taille du fichier est supérieure à 1 Go, tronquez le fichier pour qu'il soit inférieur à 1 Go.

• Sélectionnez les données à utiliser lors de l'entraînement des pipelines finaux. Si vous choisissez d'inclure uniquement des données d'entraînement, les blocs-notes générés incluent une cellule pour l'extraction des données d'exclusion utilisées pour évaluer chaque pipeline.

Choisissez des données dans votre projet ou téléchargez-les à partir de votre système de fichiers ou du navigateur d'actifs, puis cliquez sur Continuer. Cliquez sur l'icône Aperçu , après le nom de la source de données, pour examiner vos données. Si vous le souhaitez, vous pouvez ajouter un deuxième fichier en tant que données restantes pour tester les pipelines entraînés.

Configuration d'une expérimentation de série temporelle

Lorsque vous configurez les détails d'une expérimentation, cliquez sur Oui pour Activer les séries temporelles et renseignez les détails de l'expérimentation.

Le récapitulatif des prévisions indique le type d'expérimentation et la métrique sélectionnée pour l'optimisation de l'expérimentation.

Configuration des paramètres d'expérimentation

Pour configurer plus de détails pour votre expérimentation de séries temporelles, cliquez sur Paramètres de l'expérimentation.

Configuration des paramètres de source de données

Pour configurer les détails de vos données d'entrée, cliquez sur Paramètres de l'expérimentation et sélectionnez Source de données.

Configuration des données de séries temporelles

Pour configurer les données de série temporelle, vous pouvez ajuster les paramètres des données de série temporelle qui sont liées au test en amont de l'expérimentation. Le test en amont permet de valider un modèle de séries temporelles à l'aide de données d'historique.

Dans le cadre d'une expérimentation d'apprentissage automatique standard, vous pouvez retenir une partie des données de manière aléatoire pour tester l'exactitude du modèle résultant. Pour valider un modèle de série temporelle, vous devez conserver la relation d'ordre temporel entre les données d'apprentissage et les données de test.

Les étapes suivantes décrivent la méthode backtest:

1. La longueur des données d'entraînement est déterminée par le nombre de tests rétro-actifs de validité (backtests), la longueur de l'écart et la taille des données de validation (holdout, éléments restants). Pour en savoir plus sur ces paramètres, voir Génération d'une expérimentation de série temporelle.
2. A partir des données les plus anciennes, l'expérimentation est entraînée à l'aide des données d'entraînement.
3. L'expérimentation est évaluée sur le premier jeu de données de validation. Si la longueur de l'écart est différente de zéro, toutes les données de l'écart sont ignorées.
4. La fenêtre des données d'entraînement est avancée en augmentant la taille de l'élément restant et la longueur de l'écart pour former un nouvel ensemble d'entraînement.
5. Une nouvelle expérimentation est entraînée avec ces nouvelles données et évaluée avec le jeu de données de validation suivant.
6. Les deux étapes précédentes sont répétées pour les périodes de contre-essais restantes.

Pour ajuster la configuration de test rétro-actif de validité :

1. Ouvrez les paramètres d'expérimentation.
2. Dans Sources de données, cliquez sur Série temporelle.
3. (Facultatif): ajustez les paramètres comme indiqué dans le tableau.

La visualisation des paramètres de configuration illustre le flux de test en amont. Le graphique est interactif, ce qui vous permet de manipuler les paramètres à partir du graphique ou des zones de configuration. Par exemple, en ajustant la longueur de l'écart, vous pouvez voir les résultats de la validation de modèle sur des périodes antérieures des données sans augmenter le nombre de tests rétro-actifs de validité.

Interprétation des résultats de l'expérimentation

Après avoir exécuté votre expérimentation de série temporelle, vous pouvez examiner les pipelines résultants pour obtenir des informations sur les détails de l'expérimentation. Les pipelines qui utilisent des fonctions de prise en charge sont indiqués par la balise d'amélioration SUP pour les distinguer des pipelines qui n'utilisent pas ces fonctions. Pour afficher les détails :

• Passez le curseur sur les noeuds de la visualisation pour obtenir des détails sur les pipelines au fur et à mesure qu'ils sont générés.
• Basculez sur la vue de la mappe de progression pour afficher une vue différente du processus d'entraînement. Pour plus de détails, vous pouvez passer le curseur sur chaque noeud du processus.
• Une fois les pipelines définitifs terminés et écrits dans le tableau de classement, vous pouvez cliquer sur un pipeline pour afficher les informations sur les performances.
• Cliquez sur Afficher les pipelines supprimés pour afficher les algorithmes utilisés pour les pipelines qui ne sont pas sélectionnés comme étant les plus performants.
• Enregistrez le code d'expérimentation en tant que bloc-notes que vous pourrez passer en revue.
• Sauvegardez un pipeline particulier en tant que bloc-notes que vous pouvez consulter.

Regardez cette vidéo pour voir comment exécuter une expérimentation de série temporelle et créer un modèle dans un bloc-notes Jupyter à l'aide de données d'entraînement et d'exclusion.

Cette vidéo fournit une méthode visuelle pour apprendre les concepts et les tâches de cette documentation.

Etapes suivantes

• Suivez un tutoriel pas à pas pour entraîner un modèle de série temporelle univariée afin de prévoir les températures minimales à l'aide d'échantillons de données.
• Suivez un tutoriel pas à pas pour entraîner une expérimentation de séries temporelles avec des fonctions de prise en charge.
• En savoir plus sur l'évaluation d'un modèle de séries temporelles déployées.
• Informations sur l'utilisation de l'API pour les expérimentations de séries temporelles AutoAI.

Ressources supplémentaires

• Pour une introduction à la prévision avec les expériences de séries temporelles AutoAI, voir l'article de blog Right on time(series) : Introducing Watson Studio's AutoAI Time Series.
• Pour plus d'informations sur la création d'une expérience de série temporelle, consultez cet article de blog sur la création d'une nouvelle expérience de série temporelle.
• Lisez un article de blog sur l'ajout de fonctions de soutien à une expérience de série temporelle.
• Examiner un exemple de carnet de notes pour une expérience de série temporelle avec les caractéristiques correspondantes.
• Lisez un article de blog sur l'ajout de fonctions de soutien à une expérience de série temporelle à l'aide de l'API.

Etapes suivantes

• Tutoriel: AutoAI -Expérimentation de séries temporelles univariées
• Tutoriel: AutoAI prenant en charge les fonctions d'expérimentation de séries temporelles
• Détails de l'implémentation de la série temporelle
• Evaluation d'un modèle de série temporelle

Rubrique parent : Présentation d'AutoAI