用PowerBI圖表進行時間序列預測分析
時間序列預測就是利用過去一段時間內的數據來預測未來一段時間內該數據的走勢，比如根據過去5年的銷售數據進行來年的收入增長預測，根據上個季度的股票走勢推測未來一周的股價變化等等。
對於大部分人來說，這是個相對比較複雜的預測建模問題，但在工具如此豐富的今天，當然可以不用自己動手建模，很多工具都可以實現這一功能。本文介紹在PowerBI中如何進行時間序列預測。
折線圖中的預測
時間序列數據一般使用折線圖來展現，因此在PowerBI的折現圖中也就有了預測功能。
先在PowerBI中創建一個折線圖，
然後在分析面板中，可以看到最後要有一個【預測】功能，
展開【預測】，點擊添加，有以下幾個參數設置，
預測長度就是進行未來多長時間的預測，下面以50天為例，
忽略最後N個數據點，可以避免最後一些異常值的影響；還有一個功能是可以檢驗預測的效果，比如忽略最後50天，預測長度也是50天，這樣就可以檢驗最後50天的實際值和預測值的差異，通過下圖可以看到，實際走勢的確在預測區間內，
置信區間是統計學上的一個基礎術語，利用它可以計算出預測區間的上限和下限值。通過置信區間的設置，可以控制預測的質量，因為既然是預測，結果往往會有誤差，幾乎不可避免。
上圖用的是95%的置信區間，通俗的來說，就是實際數據有95%的可能性會落在這個區間內。
如果選擇的是75%的置信區間，如下圖，
可以看出預測區間收窄，只有75%的可能性會落在這個區間內。
置信區間設置的越高，預測區間越大，但預測的精度較低；通過降低置信區間，可以提升預測的精度，但其可信度也隨之下降。實際預測時要平衡這二者的關係。
最後還有一個參數是季節性，如果歷史數據有規律性的變化，可以在這裡進行設置。假如每年的銷售數據有季節性的規律，如果數據點間隔是季度，就可以設置為4，如果數據點間隔為天，設置為365。這裡如果不填，系統會自動檢測規律性。
上面的幾個預測，就是沒有填寫這個參數，系統沒有檢測出歷史數據有什麼規律，所以預測線都是一條直線，預測區間上下限間隔相等。
還是上圖的數據，季節性填上150，置信區間為95%，看看預測區間有什麼變化，
可以看到預測線也有了一定的曲折變化，這是因為根據之前150天的歷史數據的漲跌變化，預測未來也有這個漲跌趨勢。
當然這裡不能隨便填寫，除非你有足夠的證據表明歷史數據有這個規律，否則預測結果更加難以控制。
預測數據不僅只是在折現圖上展現，還可以查看預測數據並導出，
（具體如何導出數據，可以查看：PowerBI中的數據如何導出到Excel？）
從以上介紹可以看出，PowerBI中創建預測具有極高的易用性，可以不用深入了解模型和演算法原理，初學者也只需點擊幾下就可輕鬆實現預測分析。
當然如果想要更深入的進行預測分析，運用預測模型並精準控制模型的參數，還有幾個自定義圖表可以實現。
在自定義圖表市場中搜索"forecast",
可以找到很多預測圖表，不過都是R腳本創建的，使用之前需要電腦中先安裝R程序，並載入圖表需要的程序包。（關於這一塊可以參考：R數據可視化）
依然運用上面的數據，挑選幾個常用的自定義圖表看看預測的結果，
Time Series Forecasting Chart
這是利用指數平滑模型來進行預測的，可以在設置選項中設置各項參數，可以看到它有深淺兩個預測區間，這是因為它可以設置兩個置信區間，同時進行觀察。
Forecasting With ARIMA
ARIMA就是自回歸移動平均模型的簡稱，是一個非常著名的時間序列預測方法，PowerBI中將這一模型圖表化，只需要輸入相關的參數，就可以輕鬆運用這一模型進行預測，不過使用之前需要先了解該模型以及它的各項參數的含義。
Forecast Using Neural Network By MAQ
對這個演算法原理不太清楚，不過從名字上來看，應該更加高端，是運用神經網路技術來進行預測，其結果可能會更加精準一些。
簡單列出這幾個自定義模型，其他的預測圖表可以自己載入了解一下。通過這些模型，PowerBI將複雜的建模和演算法在後台進行配置，而在界面上只需要簡單的互動式參數輸入，為最終用戶包括數據科學家提供預測分析服務。
想要深入進行數據預測，還是要了解一下這些預測模型的原理和演算法的，以便對預測的過程進行控制，對預測的結果進行解釋。如果只是一般的預測，PowerBI默認的折線圖中的預測也足夠用了。
THE END
提升技能 開拓視野
TAG:PowerBI星球 |