Użycie funkcji Dekompozycja czasowa i Prognoza

Insights in ArcGIS Online
Insights in ArcGIS Enterprise
Insights Desktop

Funkcje Dekompozycja czasowa i Prognoza dzielą diagram szeregów czasowych na komponenty trendu, sezonowości i reszty.

Funkcje Dekompozycja czasowa i Prognoza stosują metodę STL (dekompozycja sezonowo-trendowa z wykorzystaniem metody LOESS) do obliczania komponentów szeregów czasowych.

Przykład

Instytucja zajmująca się ochroną środowiska bada zmiany jakości powietrza w czasie. Używa ona funkcji Dekompozycja czasowa, aby określić, jak sezonowość wpływa na jakość powietrza i czy jakość powietrza poprawia się, czy też pogarsza w czasie. Za pomocą funkcji Prognoza instytucja ta przewiduje przyszłe wartości jakości powietrza.

Uruchamianie funkcji Dekompozycja czasowa

Aby przeprowadzić dekompozycję czasową, wykonaj następujące czynności:

  1. Utwórz mapę, diagram lub tabelę, korzystając z zestawu danych, dla którego chcesz przeprowadzić dekompozycję czasową.
  2. Kliknij przycisk Działanie Działanie.
  3. Wykonaj jedną z następujących operacji:
    • W przypadku karty diagramu szeregu czasowego pozostań na karcie Analiza czasowa.
    • W przypadku karty diagramu innego typu lub karty tabeli kliknij opcję Jak się zmieniła na panelu Analizy.
    • W przypadku karty mapy kliknij kartę Znajdź odpowiedzi i kliknij opcję Jak się zmieniła.
  4. Kliknij opcję Dekompozycja czasowa.
  5. Na potrzeby opcji Wybierz warstwę wybierz zestaw danych, który ma być używany do przeprowadzenia dekompozycji czasowej.
  6. Na potrzeby opcji Wybierz pole daty/czasu wybierz pole daty/czasu, którego chcesz użyć jako osi czasu.
  7. Rozwiń pozycję Opcje dodatkowe i w razie potrzeby wprowadź wartości parametrów Wybierz pole liczbowe, Skoryguj, uwzględniając sezonowość i Wybierz wielkość okna.

    Zapoznaj się z poniższą sekcją Uwagi dotyczące korzystania, aby uzyskać więcej informacji.

  8. Opcjonalnie wybierz opcję Pokaż prognozę, aby uwzględnić prognozowane wartości na osi czasu.

    Gdy wybrana jest opcja Pokaż prognozę, można także dostosować parametr Skonfiguruj cykle horyzontu prognoz, aby określić liczbę cykli uwzględnianych w prognozie. Domyślna liczba cykli wynosi 2.

  9. Kliknij przycisk Uruchom.

Uruchamianie funkcji Prognoza

Aby przeprowadzić prognozowanie, wykonaj następujące czynności:

  1. Utwórz mapę, diagram lub tabelę, korzystając z zestawu danych, dla którego chcesz wykonać prognozowanie.
  2. Kliknij przycisk Działanie Działanie.
  3. Wykonaj jedną z następujących operacji:
    • W przypadku karty diagramu szeregu czasowego pozostań na karcie Analiza czasowa.
    • W przypadku karty diagramu innego typu lub karty tabeli kliknij opcję Jak się zmieniła na panelu Analizy.
    • W przypadku karty mapy kliknij kartę Znajdź odpowiedzi i kliknij opcję Jak się zmieniła.
  4. Kliknij opcję Prognoza.
  5. Na potrzeby opcji Wybierz warstwę wybierz zestaw danych, którego chcesz użyć do wykonania prognozowania.
  6. Na potrzeby opcji Wybierz pole daty/czasu wybierz pole daty/czasu, którego chcesz użyć jako osi czasu.
  7. Rozwiń pozycję Opcje dodatkowe i w razie potrzeby wprowadź wartości parametrów Wybierz pole liczbowe, Skoryguj, uwzględniając sezonowość i Wybierz wielkość okna.

    Zapoznaj się z poniższą sekcją Uwagi dotyczące korzystania, aby uzyskać więcej informacji.

  8. Dostosuj wartość parametru Skonfiguruj cykle horyzontu prognoz, aby określić liczbę cykli uwzględnianych w prognozie.

    Domyślna liczba cykli wynosi 2.

  9. Kliknij przycisk Uruchom.

Uwagi dotyczące korzystania

Funkcje Dekompozycja czasowa i Prognoza są dostępne za pomocą przycisku Działanie Działanie w obszarze Jak się zmieniła na karcie Znajdź odpowiedzi i na karcie Analiza czasowa na diagramie szeregów czasowych. Dane wejściowe muszą być zestawem danych zawierającym pole daty/czasu i muszą obejmować dane z co najmniej jednego roku. Więcej informacji zawiera poniższy temat Sposób działania funkcji Dekompozycja czasowa i Prognoza.

Użyj parametru Wybierz pole daty/czasu, aby wybrać pole daty/czasu, do którego zostanie zastosowana dekompozycja czasowa.

Rozwiń pozycję Opcje dodatkowe, aby uzyskać dostęp do parametrów Wybierz pole liczbowe, Skoryguj, uwzględniając sezonowość i Wybierz wielkość okna. Poniższa tabela zawiera podsumowanie tych parametrów, w tym ich wartości domyślne:

ParametrOpisWartość domyślna
Wybierz pole liczbowe

Pole oznaczające wartość każdej obserwacji w szeregach czasowych. Na przykład użyj pola temperatury dla parametru Wybierz pole liczbowe na potrzeby dekompozycji szeregów czasowych średnich temperatur globalnych w czasie.

Brak. Dla każdego punktu wartość jest oparta na liczbie.

Skoryguj, uwzględniając sezonowość

Sezonowość jest wykorzystywana do określenia sposobu obliczania komponentu sezonowości.

Dostępne są następujące opcje sezonowości:

  • Tygodniowo
  • Miesięcznie
  • Kwartalnie
  • Co rok

Brak. Wybierz odpowiednią sezonowość na podstawie danych.

Wybierz wielkość okna

Wielkość okna określa procentowy udział punktów danych używanych w obliczeniach wygładzania.

50%.

W przypadku Dekompozycji czasowej wybierz opcję Pokaż prognozę, aby utworzyć wyjściowy szereg czasowy przedstawiający prognozowane przyszłe wartości na podstawie komponentu sezonowości i komponentu korygowanego sezonowo. Liczba cykli w prognozie jest określana na podstawie parametru Skonfiguruj cykle horyzontu prognoz. Wartość domyślna wynosi 2. Parametr Pokaż prognozę nie jest dostępny dla prognozy, ponieważ jest zawsze włączony.

Wyniki funkcji Dekompozycja czasowa i Prognoza zawierają dwa zestawy danych: jeden o nazwie STL i jeden o nazwie Forecast - STL (uwzględniany dla dekompozycji czasowej tylko wtedy, gdy włączono opcję Pokaż prognozę).

Zestaw danych STL zawiera pola dla danych nieprzetworzonych (w oparciu o pole zliczania lub pole liczbowe użyte do dekompozycji szeregów czasowych), cztery komponenty (Sezonowość, Trend, Reszta i Skorygowane sezonowo) oraz oryginalne pole daty/czasu.

Zestaw danych Forecast - STL zawiera oryginalne pole daty/czasu oraz pola dla danych nieprzetworzonych (w oparciu o pole zliczania lub pole liczbowe użyte do dekompozycji szeregów czasowych), oszacowanie i przedziały prognozy górne i dolne (80% i 95%).

Sposób działania funkcji Dekompozycja czasowa i Prognoza

Funkcje Dekompozycja czasowa i Prognoza wykorzystują metodę STL do dekompozycji szeregów czasowych na komponenty sezonowości, trendu i reszty. Wymagania dotyczące danych w algorytmie STL są oparte na sezonowości stosowanej do opisu komponentu sezonowości.

Sezonowość

Sezonowość (zwana również okresowością) jest używana w metodzie STL do korygowania efektów sezonowych w szeregach czasowych. Na przykład jakość powietrza ma tendencję do podążania za cyklem rocznym, przy czym powietrze ma lepszą jakość w miesiącach zimowych i gorszą w miesiącach letnich. Można dokonać dekompozycji danych dotyczących jakości powietrza z wykorzystaniem miesięcznej sezonowości, aby skorygować szereg czasowy do powtarzającego się cyklu lepszej i gorszej jakości powietrza w celu uzyskania lepszego wyobrażenia o ogólnym trendzie jakości powietrza w czasie.

Sezonowość może być tygodniowa, miesięczna, kwartalna lub roczna. Wymagania dotyczące danych dla funkcji Dekompozycja czasowa i Prognoza zależą od wykorzystywanej sezonowości.

Dla wszystkich opcji sezonowości dane są dzielone na podserie. Musi istnieć co najmniej jedno wystąpienie każdej podserii w zestawie danych, aby użyć funkcji Dekompozycja czasowa lub Prognoza.

W następującej tabeli podsumowano opcje sezonowości oraz podserie i wymagania dotyczące danych dla każdej z opcji:

SezonowośćPodserieWymagania dotyczące danych

Tygodniowo

Tygodnie od 1 do 52. Na przykład 1–7 stycznia to tydzień nr 1, 8–14 stycznia to tydzień nr 2 itd.

Dane z minimum 52 tygodni z co najmniej jednym punktem danych z każdego tygodnia.

Miesięcznie

Miesiące od stycznia do grudnia.

Dane z minimum 12 miesięcy z co najmniej jednym punktem danych z każdego miesiąca.

Kwartalnie

Kwartały od 1 do 4.

Dane z minimum czterech kwartałów z co najmniej jednym punktem danych z każdego kwartału.

Co rok

Poszczególne lata. Jeśli na przykład zestaw danych zawiera dane zaczynające się w 2015 r. i kończące się w 2020 r., podseriami będą lata 2015, 2016, 2017, 2018, 2019 i 2020.

Dane z minimum czterech lat z co najmniej jednym punktem danych z każdego roku.

Sezonowość — przykład

Chcesz uruchomić funkcję Dekompozycja czasowa lub Prognoza, używając sezonowości tygodniowej dla zestawu danych z danymi zbieranymi codziennie od stycznia 2015 r. do grudnia 2020 r. Jednak system do zbierania danych jest wyłączany każdego roku od 1 do 10 stycznia na potrzeby aktualizacji i konserwacji, więc w tym okresie nie są zbierane żadne dane. Aby użyć sezonowości tygodniowej, dane muszą zawierać co najmniej jedno wystąpienie danych dla każdego tygodnia. Ponieważ tydzień nr 1 (od 1 do 7 stycznia) jest całkowicie pominięty w danych, nie można użyć sezonowości tygodniowej dla tego zestawu danych. Wszystkie inne opcje sezonowości są zgodne z zestawem danych, ponieważ spełnia on minimalne wymagania dotyczące danych i ma co najmniej jedno wystąpienie danych dla każdej podserii miesięcznej, kwartalnej i rocznej.

Aby zapewnić zgodność zestawu danych z sezonowością tygodniową, zmieniono planowane wyłączenie na 2 stycznia od 2021 r. Dane zbierane 1 stycznia 2021 r. są częścią podserii tygodnia nr 1, więc zestaw danych zawiera teraz co najmniej jeden punkt danych dla każdej podserii.

Notatka:

Wymóg istnienia jednego punktu danych na podserię jest wymogiem ogólnym, a nie rocznym. Dlatego też punkt danych z 2 stycznia 2021 r. spełnia ten wymóg, mimo że nie ma dostępnych danych dla 1. tygodnia w latach 2015–2020.

Przedziały prognozy

Przedziały prognozy są obliczane za pomocą funkcji Prognoza przy użyciu następującego równania Hyndmana i Athanasopoulosa (2018, rozdz. 7):

ŷT+h|T ± cσh

Gdzie:

  • ŷt = Średnia wartość rozkładu prognozy w czasie t.
  • ŷT+h|T = Kumulowana prognoza ŷt do czasu T dla h cykli horyzontu prognoz.
  • c = Prawdopodobieństwo pokrycia
  • σh = Pierwiastek kwadratowy z wariancji prognozy

Ograniczenia

Funkcje Dekompozycja czasowa i Prognozowanie nie obsługują pól zawierających tylko czas (pól daty/czasu z komponentem czasu, ale bez dat).

Odniesienia

Hyndman, Rob J. i George Athanasopoulos. 2018. Forecasting: Principles and Practice (Prognozowanie: zasady i praktyka). Wydanie 2. Melbourne w Australii: OTexts. OTexts.com/fpp2.