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. La Decomposizione Temporale può essere utilizzata per determinare come la stagionalità influisce sulla qualità dell'aria e se la qualità dell'aria sta migliorando o peggiorando nel tempo. Le Previsioni possono essere utilizzate per prevedere valori di qualità dell'aria futuri.
Utilizzare la funzionalità di Decomposizione Temporale
Completare le operazioni seguenti per eseguire la funzionalità di analisi di Decomposizione Temporale:
- 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:
- Se la scheda è un grafico di serie temporale, rimane sulla scheda Analisi temporale.
- Se la scheda è un tipo di grafico differente o una tabella, cliccare Com'è cambiato nel pannello Analisi.
- Se la scheda è una mappa, cliccare la scheda Trova risposte e fare clic su Com'è cambiato.
- Cliccare Decomposizione Temporale.
- Per Scegliere un layer selezionare il dataset con il quale si desidera eseguire la decomposizione temporale.
- Per Scegli un campo data/ora, seleziona il campo data/ora che desideri usare per la tua linea temporale.
- Espandere le Opzioni aggiuntive e immettere valori per i parametri Scegli un campo numerico, Regola per stagionalità e Seleziona dimensione finestra, se necessario. Consultare Note sull'utilizzo per ulteriori informazioni.
- Facoltativamente, selezionare Mostra previsioni per includere i valori previsti sulla linea temporale. Se Mostra previsione è selezionato, 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 due.
- Fare clic su Esegui.
Utilizzare la funzionalità Previsione
Completare le operazioni seguenti per eseguire la funzionalità di analisi Previsione:
- 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:
- Se la scheda è un grafico di serie temporale, rimane sulla scheda Analisi temporale.
- Se la scheda è un tipo di grafico differente o una tabella, cliccare Com'è cambiato nel pannello Analisi.
- Se la scheda è una mappa, cliccare la scheda Trova risposte e fare clic su Com'è cambiato.
- Fare clic su Previsioni.
- Per Scegliere un layer, selezionare il dataset con il quale si desidera eseguire la previsione.
- Per Scegli un campo data/ora, seleziona il campo data/ora che desideri usare per la tua linea temporale.
- Espandere le Opzioni aggiuntive e immettere valori per i parametri Scegli un campo numerico, Regola per stagionalità e Seleziona dimensione finestra, se necessario. Consultare Note sull'utilizzo per ulteriori informazioni.
- Regolare il parametro Imposta cicli di previsione orizzonte per determinare come molti cicli sono inclusi nella previsione. Il numero predefinito di cicli è due.
- Fare clic su Esegui.
Note sull'utilizzo
La Decomposizione Temporale e la Previsione possono essere trovate utilizzando il pulsante Azione sotto Come è cambiato sulla scheda Trova risposte o sulla scheda Analisi temporale su 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 Come funzionano la Decomposizione Temporale e la Previsione.
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 rivelare i 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 è utilizzata per determinare come la componente stagionale viene calcolata. Le seguenti opzioni di stagionalità sono disponibili:
| Nessuno. Una stagionalità appropriata è scelta in 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 perchè è sempre abilitato.
I risultati di Decomposizione Temporale e Previsione includono due dataset: uno chiamato STL e uno chiamato Forecast - STL (inclusi solo per Decomposizione Temporale se Mostra previsione è attivato).
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, Trend, Rimanente, e Regolato Stagionalmente), e il campo originale data/ora.
Il set di dati Forecast - STL include il campo originale data/ora, più i campi per i dati grezzi (basati sul conteggio o sul campo numerico usato per decomporre la serie temporale), la stima e gli intervalli di previsione superiore e inferiore (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. Pertanto, 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 dei dati per la Decomposizione Temporale e Previsione 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. Per esempio, se il set di dati include dati iniziando dal 2015 e finendo nel 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
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 un'occorrenza di dati per ogni settimana. Dato che la settimana 1 (1 gennaio a 7 gennaio) manca totalmente dei dati, non è possibile utilizzare la stagionalità settimanale sul set di dati. 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 Previsione non supportano i campi con solo le ore (in altre parole, i campi data/ora con una componente oraria ma senza date).
Riferimenti
Hyndman, Rob J. e George Athanasopoulos. 2018. Forecasting: Principles and Practice. 2nd ed. Melbourne, Australia: OTexts. OTexts.com/fpp2.