Verwenden von Datasets verwandter Zeitreihen

Historische Zeitreihen: Zeitreihen ohne Datenpunkte innerhalb des Prognosehorizonts.

Zukunftsorientierte Zeitreihen: Zeitreihen mit Datenpunkten innerhalb des Prognosehorizonts.

Es darf nicht den Zielwert aus den Ziel-Zeitreihen enthalten.

Es muss die Dimensionen item_id und timestamp und mindestens ein verwandtes Feature (z. B. price) enthalten.

Funktionsdaten verwandter Zeitreihen müssen vom Datentyp int oder float sein.

Um die gesamte Zielzeitreihe verwenden zu können, müssen alle Elemente aus dem Zielzeitreihendatensatz auch im entsprechenden Zeitreihendatensatz enthalten sein. Wenn eine zugehörige Zeitreihe nur eine Teilmenge von Elementen aus der Zielzeitreihe enthält, sind die Modellerstellung und die Generierung von Prognosen auf diese bestimmte Teilmenge von Elementen beschränkt.

Wenn die Zielzeitreihe beispielsweise 1000 Elemente enthält und der zugehörige Zeitreihendatensatz nur 100 Elemente enthält, dann basieren das Modell und die Prognosen nur auf diesen 100 Elementen.

Die Häufigkeit, mit der Daten im zugehörigen Zeitreihen-Dataset erfasst werden, muss mit dem Intervall übereinstimmen, in dem Sie Prognosen generieren möchten (die Prognosegranularität).

Wenn Sie beispielsweise Prognosen mit einer wöchentlichen Granularität generieren möchten, muss die Häufigkeit, mit der Daten in der zugehörigen Zeitreihe erfasst werden, ebenfalls wöchentlich sein, selbst wenn die Häufigkeit, mit der Daten in der Zielzeitreihe erfasst werden, täglich ist.

Die Daten eines jeden Artikels im Dataset verwandter Zeitreihen müssen am oder vor dem Anfangs-timestamp der entsprechenden item_id im Ziel-Zeitreihen-Dataset beginnen.

Wenn beispielsweise die Daten verwandter Zeitreihen für socks am 01.01.2019 beginnen und die Ziel-Zeitreihen-Daten für shoes am 01.02.2019 beginnen, müssen die Daten verwandter Zeitreihen für socks am oder vordem 01.01.2019 beginnen und die Daten für shoes müssen am oder vordem 01.02.2019 beginnen.

Bei zukunftsbezogenen Zeitreihendatensätzen muss sich der letzte Zeitstempel für jedes Element auf dem letzten Zeitstempel im benutzerdefinierten Prognosefenster (dem sogenannten Prognosehorizont) befinden.

In der nachstehenden Beispieldatei verwandter Zeitreihen müssen die timestamp-Daten sowohl für die Socken und für die Schuhe am oder nach dem 01.07.2019 (dem letzten aufgezeichneten Zeitstempel) plus dem Prognosehorizont enden. Wenn die Datenfrequenz in der Zielzeitreihe täglich ist und der Prognosehorizont 10 Tage beträgt, müssen tägliche Datenpunkte bis zum 11.07.2019 in der Datei mit den entsprechenden zukunftsgerichteten Zeitreihen angegeben werden.

Bei historischen Bezugszeitreihendatensätzen muss der letzte Zeitstempel für jedes Element mit dem letzten Zeitstempel in der Zielzeitreihe übereinstimmen.

In der folgenden Beispieldatei mit verwandten Zeitreihen müssen die timestamp Daten für Socken und Schuhe am 01.07.2019 (dem letzten aufgezeichneten Zeitstempel) enden.

Die im zugehörigen Zeitreihendatensatz angegebenen Prognosedimensionen müssen entweder den im Zielzeitreihendatensatz angegebenen Dimensionen entsprechen oder eine Teilmenge davon sein.

In verwandten Zeitreihen dürfen keine Werte fehlen. Informationen zu fehlenden Werten in einem verwandten Zeitreihendatensatz finden Sie unter Umgang mit fehlenden Werten.

Der letzte Datenpunkt wurde am 01.07.2019 im Ziel-Zeitreihen-Dataset aufgezeichnet.

Der Prognosehorizont beträgt 10 Tage.

Die Prognosegranularität ist täglich (D).