La Decomposizione Temporale e le Previsioni dividono un grafico di serie temporale in componenti di trend, stagionali e rimanenti.
La Decomposizione Temporale e le Previsioni applicano il metodo Decomposizione da Trend-Stagionale usando il LOESS (STL) per calcolare le componenti della serie temporale.
Esempio
Un'organizzazione ambientale sta studiando i cambiamenti nella qualità dell'aria nel tempo. Utilizza Decomposizione temporale per determinare come la stagionalità influisce sulla qualità dell'aria e se la qualità dell'aria sta migliorando o peggiorando nel tempo. Utilizza Previsione per prevedere valori di qualità dell'aria futuri.
Eseguire Decomposizione temporale
Per eseguire Decomposizione temporale, procedere nel modo seguente:
- Creare una mappa, grafico o tabella utilizzando il dataset con il quale si desidera eseguire la decomposizione temporale.
- Fare clic sul pulsante Azione
. - Effettuare una delle seguenti operazioni:
- Per una scheda grafico di serie temporale, rimanere nella scheda Analisi temporale.
- Per un tipo di grafico differente o una scheda tabella, fare clic su Com'è cambiato nel riquadro Analisi.
- Per una scheda mappa, fare clic sulla scheda Trova risposte e fare clic su Come è variato?.
- Cliccare Decomposizione Temporale.
- Per Sceglie un layer, selezionare il dataset con cui quale eseguire la decomposizione temporale.
- Per Scegli un campo data/ora, selezionare il campo data/ora da usare per la sequenza temporale.
- Espandere Opzioni aggiuntive e immettere valori per i parametri Scegli un campo numerico, Regola per stagionalità e Seleziona dimensione finestra.
Consultare la sezione Note sull'utilizzo per ulteriori informazioni.
- Facoltativamente, selezionare Mostra previsioni per includere i valori previsti nella sequenza temporale.
Se l'opzione Mostra previsione è selezionata, è possibile anche regolare il parametro Imposta cicli previsione orizzonte per determinare come molti cicli sono inclusi nella previsione. Il numero predefinito di cicli è 2.
- Fare clic su Esegui.
Eseguire la funzionalità Previsioni
Per eseguire le previsioni, procedere nel modo seguente:
- Creare una mappa, un grafico o una tabella utilizzando il dataset con cui eseguire la decomposizione temporale.
- Fare clic sul pulsante Azione .
- Effettuare una delle seguenti operazioni:
- Per una scheda grafico di serie temporale, rimanere nella scheda Analisi temporale.
- Per un tipo di grafico differente o una scheda tabella, fare clic su Com'è cambiato nel riquadro Analisi.
- Per una scheda mappa, fare clic sulla scheda Trova risposte e selezionare Come è cambiato.
- Fare clic su Previsioni.
- Per Scegli un layer, selezionare il dataset da usare per eseguire la previsione.
- Per Scegli un campo data/ora, selezionare il campo data/ora da usare per la sequenza temporale.
- Espandere Opzioni aggiuntive e immettere valori per i parametri Scegli un campo numerico, Regola per stagionalità e Seleziona dimensione finestra.
Consultare la sezione Note sull'utilizzo per ulteriori informazioni.
- Regolare il valore del parametro Imposta cicli di previsione orizzonte per determinare come molti cicli sono inclusi nella previsione.
Il numero predefinito di cicli è 2.
- Fare clic su Esegui.
Note sull'utilizzo
È possibile accedere a Decomposizione temporale e Previsioni utilizzando il pulsante Azione sotto Come è cambiato nella scheda Trova risposte o Analisi temporale in un grafico di serie temporale. L'input deve essere un dataset che include un campo data/ora e deve avere un minimo di un anno di dati. Per maggiori informazioni, vedere la sezione seguente: Funzionamento di Decomposizione temporale e Previsioni.
Usa il parametro Scegli il campo data/ora per selezionare il campo data/ora a cui verrà applicata la decomposizione temporale.
Espandere Opzioni aggiuntive per accedere ai parametri Scegli un campo numerico, Regola per stagionalità e Seleziona dimensione finestra. Nella seguente tabella vengono riepilogati questi parametri, inclusi i lori valori predefiniti:
| Parametro | Descrizione | Valore predefinito |
|---|---|---|
| Scegli un campo numero | Un campo che identifica il valore di ogni osservazione sulla serie temporale. Per esempio, quando si decompone una serie temporale di temperature globali medie nel tempo, utilizzare il campo temperatura per il parametro Scegli un campo numerico. | Nessuno. Il valore di ogni punto è basato sul conteggio. |
| Regola per stagionalità | La stagionalità viene utilizzata per determinare come viene calcolata la componente stagionale. Le seguenti opzioni di stagionalità sono disponibili:
| Nessuno. Scegliere una stagionalità appropriata i base ai dati. |
| Seleziona dimensione finestra | La dimensione finestra utilizza la percentuale di punti di dati utilizzata nel calcolo dello smussamento. | 50%. |
Per la Decomposizione Temporale, selezionare Mostra previsione per creare valori futuri previsti per una serie temporale output basata sulla componente stagionale e la componente regolata stagionale. Il numero di cicli nella previsione è basata sul parametro Imposta cicli previsione orizzonte. Il valore predefinito è 2. Il parametro Mostra previsione non è disponibile per Previsione perché è sempre abilitato.
I risultati di Decomposizione temporale e Previsioni includono due dataset: uno chiamato STL e uno chiamato Previsione - STL (incluso solo per Decomposizione temporale se l'opzione Mostra previsione è attiva).
Il dataset STL include campi per i dati non protetti (basati sul conteggio o sul campo numerico usato per decomporre la serie temporale), quattro componenti (Stagionale, Tendenze, Rimanente, e Regolato stagionalmente) e il campo data/ora originale.
Il dataset Previsione - STL include il campo data/ora originale, più i campi per i dati grezzi (in base al conteggio o al campo numerico usato per decomporre la serie temporale), la stima e gli intervalli di previsione massimo e minimo (80% e 95%).
Come funzionano la Decomposizione Temporale e la Previsione
La Decomposizione Temporale e la Previsione utilizzano il metodo STL per decomporre una serie temporale in componenti stagionali, di trend e rimanenti. I requisiti di dati nell'algoritmo STL sono basati sulla stagionalità utilizzata per descrivere la componente stagionale.
Stagionalità
La Stagionalità (chiamata anche periodicità) è utilizzata in STL per regolare gli effetti stagionali in una serie temporale. Per esempio, le tendenze di qualità dell'aria per seguire un ciclo annuale con qualità dell'aria superiore nei mesi invernali e qualità dell'aria inferiore nei mesi estivi. I dati sulla qualità dell'aria possono essere decomposti utilizzando la stagionalità mensile per regolare le serie temporali per il ciclo ricorrente di miglioramento e riduzione della qualità dell'aria per avere un'idea migliore della tendenza generale della qualità dell'aria nel tempo.
La stagionalità può essere settimanale, mensile, trimestrale o annuale. I requisiti di dati per Decomposizione temporale e Previsioni dipendono sulla stagionalità utilizzata.
Per tutte le opzioni di stagionalità, i dati sono divisi in sottoserie. Ci deve essere almeno un'occorrenza di ogni sottoserie nel set di dati per utilizzare Decomposizione Temporale o Previsione.
La scheda seguente riepiloga le opzioni di stagionalità e le sottoserie e i requisiti di dati per ciascuna.
| Stagionalità | Sottoserie | Requisiti per i dati |
|---|---|---|
Settimanale | Settimana da 1 a 52. Per esempio, 1 gennaio-7 gennaio è la settimana 1, 8 gennaio-14 gennaio è la settimana 2, e così via. | Un minimo di 52 settimane di dati con almeno un punto dati per ogni settimana. |
Ogni mese | Mesi da gennaio a dicembre | Un minimo di 12 mesi di dati con almeno un punto dati per ogni mese. |
Trimestrale | Trimestri da 1 a 4. | Un minimo di quattro trimestri di dati con almeno un punto dati per trimestre. |
Annuale | Anni individuali. Ad esempio, se il dataset include dati a partire dal 2015 fino al 2020, le sottoserie sarebbero 2015, 2016, 2017, 2018, 2019 e 2020. | Un minimo di quattro anni di dati con almeno un punto dati per ogni anno. |
Esempio di stagionalità
Si desidera eseguire Decomposizione Temporale o Previsione utilizzando la stagionalità settimanale per un set di dati con dati raccolti giornalmente da gennaio 2015 a dicembre 2020. Tuttavia, il sistema per raccogliere dati viene chiuso ogni anno dal primo gennaio al 10 gennaio per aggiornamento e manutenzione, quindi nessun dati viene raccolti durante questo periodo. Per utilizzare la stagionalità settimanalmente, i dati devono includere almeno una ricorrenza di dati per ogni settimana. Poiché la settimana 1 (da 1° gennaio al 7 gennaio) manca totalmente dei dati, non è possibile utilizzare la stagionalità settimanale sul dataset. Tutte le altre opzioni di stagionalità sono compatibili con il set di dati perché soddisfa i requisiti minimi di dati e ha almeno una occorrenza per ogni sottoserie mensile, trimestrale e annuale.
Per rendere il set di dati compatibile con la stagionalità settimanale, la chiusura pianificata viene cambiata al 2 gennaio iniziando nel 2021. I dati raccolti il 1 gennaio 2021 sono parte delle sottoserie della settimana 1, quindi il set di dati ora dispone almeno di un punto di dati per ogni sottoserie.
Nota:
Il requisito per un punto di dati per sottoserie è un requisito generale, non un requisito annuale. Ecco perché il punto di dati del 2 gennaio 2021 soddisfa il requisito anche se non ci sono dati disponibili per la settimana 1 nel 2015 fino al 2020.
Intervalli di predizione
Gli intervalli di predizione sono calcolati dalla funzione Previsione usando la seguente equazione di Hyndman e Athanasopoulos (2018, cap. 7):
ŷT+h|T ± cσhDove:
- ŷt= il valore medio della distribuzione di previsione nel tempo t.
- ŷT+h|T= la previsione cumulativa di ŷt al tempo T per h cicli di orizzonte previsti.
- c= probabilità di copertura
- σh= radice quadrata della varianza di previsione
Limitazioni
Decomposizione temporale e Previsioni non supportano i campi solo ora (i campi data/ora con una componente oraria ma senza data).
Riferimenti
Hyndman, Rob J. e George Athanasopoulos. 2018. Forecasting: Principles and Practice. 2nd ed. Melbourne, Australia: OTexts. OTexts.com/fpp2.