{"id":63295,"date":"2021-09-22T15:44:25","date_gmt":"2021-09-22T14:44:25","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=news&p=63295"},"modified":"2024-09-20T17:45:46","modified_gmt":"2024-09-20T16:45:46","slug":"visual-time-series-forecasting-with-streamlit-prophet","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/de\/blog\/visual-time-series-forecasting-with-streamlit-prophet\/","title":{"rendered":"Visuelle Zeitreihenprognose mit Streamlit Prophet"},"content":{"rendered":"

<\/span><\/a><\/span>

Lesen Sie unseren Artikel \u00fcber<\/u><\/p>\n<\/div>

<\/span><\/div>

.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

Autor<\/h2><\/div>\"Image\"

Maxime Lutel<\/h3><\/div>

Data Wissenschaftlerin bei Artefact Frankreich<\/p>\n<\/div><\/div><\/div><\/div><\/div>

Sie brauchen eine Grundlage f\u00fcr Ihr neuestes Projekt zur Zeitreihenprognose? Sie m\u00f6chten einem Unternehmen den Entscheidungsprozess eines Prognosemodells erkl\u00e4ren audience? Sie m\u00f6chten verstehen, ob Autopreise saisonal sind, bevor Sie ein neues Auto kaufen? Wir haben vielleicht etwas f\u00fcr Sie! In diesem Artikel stellen wir Ihnen Streamlit Prophet vor, eine Web-App, mit der Wissenschaftler data Prognosemodelle auf visuelle Weise trainieren, bewerten und optimieren k\u00f6nnen. Die Vorhersagen werden mit Prophet erstellt, einem schnellen und leicht interpretierbaren Modell.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

Sie k\u00f6nnen die App online testen\u00a0Hier<\/a>\u00a0aber aufgrund begrenzter gemeinsam genutzter Computerressourcen ist er m\u00f6glicherweise nicht immer verf\u00fcgbar. Eine andere M\u00f6glichkeit ist die Installation des\u00a0Python-Paket<\/a>\u00a0und f\u00fchren Sie es lokal aus.<\/p>\n<\/div>

Was ist Streamlit Prophet?<\/h2><\/div>

Streamlit Prophet ist ein Python-Paket, mit dem Sie eine App zur Erstellung von Zeitreihenprognosemodellen bereitstellen k\u00f6nnen\u00a0visuell<\/strong>\u00a0und\u00a0ohne jegliche Codierung<\/strong>. Sobald Sie ein dataset mit historischen Werten des zu prognostizierenden Signals hochgeladen haben, trainiert die App mit wenigen Klicks ein Prognosemodell, zusammen mit verschiedenen Visualisierungen, die Ihnen helfen, seine Leistung zu bewerten und weitere Erkenntnisse zu gewinnen.<\/p>\n<\/div>

Das zugrunde liegende Modell wird mit\u00a0Prophet<\/strong><\/a>, eine von Facebook entwickelte Open-Source-Bibliothek zur Prognose von Zeitreihen data. Das Signal wird in mehrere Komponenten wie Trend, Saisonalit\u00e4t und Ferieneffekte zerlegt. Der Sch\u00e4tzer lernt, jeden dieser Bl\u00f6cke separat zu modellieren und addiert dann ihre verschiedenen Beitr\u00e4ge, um eine leicht interpretierbare Prognose zu erstellen. Er schneidet besser ab, wenn die Reihen starke saisonale Muster aufweisen und wenn mehrere Zyklen historischer data verf\u00fcgbar sind. Sie k\u00f6nnen sich dies ansehen\u00a0thread<\/a>\u00a0oder dies\u00a0Artikel<\/a>\u00a0wenn Sie mehr \u00fcber die mathematischen Grundlagen von Prophet erfahren m\u00f6chten.
\nDie Schnittstelle wird mit\u00a0Streamlit<\/strong><\/a>, ein Python-Framework f\u00fcr die Erstellung von data-Wissenschafts-Webanwendungen.<\/p>\n<\/div>

Was sind die wichtigsten Merkmale?<\/h2><\/div>

Streamlit Prophet soll data-Wissenschaftlern und Business-Analysten helfen, ihre Zeitreihenprojekte schnell zum Laufen zu bringen. Zur Veranschaulichung: Nehmen wir an, wir m\u00f6chten die zuk\u00fcnftigen Verk\u00e4ufe von Konsumg\u00fctern in einem bestimmten Gesch\u00e4ft anhand historischer data aus den Jahren 2011 bis 2015 vorhersagen. Unser data-Set sieht wie die unten stehende Tabelle aus.<\/p>\n<\/div>

<\/span><\/div>

Ein Basismodell mit Standardparametern wird auf das data angepasst, sobald es hochgeladen wird. Lassen Sie uns nun sehen, wie wir Streamlit Prophet verwenden k\u00f6nnen, um es zu verbessern und ein besseres Verst\u00e4ndnis des Ph\u00e4nomens zu erreichen.<\/p>\n<\/div>

Data Erkundung<\/h3><\/div>

Der erste Schritt bei jedem Prognoseprojekt besteht darin, sicherzustellen, dass das dataset keine Geheimnisse f\u00fcr Sie hat. Prophet bietet von Haus aus eine sch\u00f6ne\u00a0Zersetzung des Signals\u00a0<\/strong>um Ihnen zu helfen, dieses Ziel zu erreichen. In der App sind mehrere Diagramme verf\u00fcgbar, um diese wertvollen Erkenntnisse auf einen Blick zu erhalten.
\nDas folgende Diagramm ist ein guter Ausgangspunkt, da es eine globale Darstellung der hochgeladenen Zeitreihen bietet und viele n\u00fctzliche Informationen enth\u00e4lt.<\/p>\n<\/div>

<\/span><\/div>

Die schwarzen Punkte sind die tats\u00e4chlichen historischen Verk\u00e4ufe, die meist zwischen 75 und 225 Einheiten pro Tag liegen. Einige Ausrei\u00dfer ohne Verk\u00e4ufe oder mit geringem Volumen sind am Ende eines jeden Jahres um Weihnachten herum zu erkennen, wenn die Gesch\u00e4fte wahrscheinlich geschlossen sind. Der Trend wird auf einer roten Linie dargestellt, um eine synthetischere Vision des Signals zu erhalten und globale Entwicklungen zu visualisieren. Die blaue Linie schlie\u00dflich stellt die Prognosen eines Prophet-Modells dar, das automatisch auf Ihr dataset trainiert wurde. Hier sehen wir, dass das Modell f\u00fcr 2016 einen Anstieg der Ums\u00e4tze erwartet und damit dem Wachstumstrend folgt, der 2015 begann.<\/p>\n

Diese Vorhersagen scheinen saisonal zu sein, aber es ist schwer, die verschiedenen periodischen Komponenten auf dieser ersten Grafik zu unterscheiden. Schauen wir uns eine andere Visualisierung an, um zu verstehen, wie diese saisonalen Muster die Modellausgabe beeinflussen.<\/p>\n<\/div>

<\/span><\/div>

Es wurden zwei Periodizit\u00e4ten festgestellt, die einige interessante Einblicke in die Gewohnheiten der Verbraucher bieten. Der Wochenzyklus zeigt, dass die meisten Menschen an den Wochenenden einkaufen, an denen die Prognosen um fast 40 Einheiten pro Tag steigen. Die Grafik deutet auch darauf hin, dass die verkauften Produkte eine j\u00e4hrliche Saisonalit\u00e4t aufweisen, wobei im Sommer etwas mehr verkauft wird als im Rest des Jahres. Diese periodischen Komponenten und der globale Trend werden dann von dem Sch\u00e4tzer kombiniert, um Prognosen f\u00fcr zuk\u00fcnftige Tage zu erstellen.<\/p>\n<\/div>

Leistungsbewertung<\/h3><\/div>

Diese Darstellungen geben die Art und Weise wieder, wie data von Prophet modelliert wird. Aber wie k\u00f6nnen wir sicherstellen, dass diese Darstellung zuverl\u00e4ssig ist? Um diese berechtigte Frage zu beantworten, ist ein Abschnitt der App der Bewertung der Modellqualit\u00e4t gewidmet. Sie liefert dem Benutzer schnell eine Basisprognoseleistung. Zu diesem Zweck wird die Zeitreihe in mehrere Teile aufgeteilt: Das Modell wird zun\u00e4chst an einen Trainingssatz angepasst und dann an einem Validierungssatz getestet. Andere Optionen wie die Kreuzvalidierung sind f\u00fcr eine fortgeschrittene Nutzung ebenfalls verf\u00fcgbar.<\/p>\n<\/div>

Zur Bewertung der Modellqualit\u00e4t k\u00f6nnen verschiedene Metriken verwendet werden: Absolute Metriken wie der mittlere quadratische Fehler (Root Mean Squared Error, RMSE) sind hilfreich, um sich ein Bild von der Gr\u00f6\u00dfe der Fehler in Bezug auf die Anzahl der Verk\u00e4ufe zu machen, aber relative Metriken wie der mittlere absolute prozentuale Fehler (MAPE) sind vielleicht besser zu interpretieren. Es liegt an Ihnen, die Metrik zu w\u00e4hlen, die f\u00fcr Ihren Anwendungsfall am relevantesten ist.<\/p>\n<\/div>

Es ist jedoch unwahrscheinlich, dass die Leistung \u00fcber alle data-Punkte hinweg einheitlich ist, daher reicht ein globaler Indikator nicht aus. Wir sollten die Metriken auf einer detaillierteren Granularit\u00e4t berechnen, um ein klares Verst\u00e4ndnis der Modellqualit\u00e4t zu erhalten. Beginnen wir mit einer eingehenden Analyse auf t\u00e4glicher Ebene, was in unserem Fall die kleinstm\u00f6gliche Granularit\u00e4t ist, da das Modell eine Vorhersage pro Tag macht.<\/p>\n<\/div>

<\/span><\/div>

Wir k\u00f6nnen eine wichtige Variabilit\u00e4t beobachten: Es gibt Tage, an denen der Fehler gr\u00f6\u00dfer als 20% ist, w\u00e4hrend einige andere Vorhersagen nahezu perfekt zutreffen. Angesichts dieser Informationen werden Sie sich wahrscheinlich fragen, ob es Muster in der Art gibt, wie das Modell Fehler macht. Gibt es bestimmte Tage, an denen das Modell schlecht abschneidet? Gl\u00fccklicherweise bietet die App einige praktische Diagramme, die uns helfen, unsere Neugierde zu befriedigen.<\/p>\n<\/div>

Fehlerdiagnose<\/h3><\/div>

Der Abschnitt \u00fcber die Fehlerdiagnose ist wahrscheinlich der n\u00fctzlichste, denn er erm\u00f6glicht es Ihnen, die Bereiche hervorzuheben, in denen die Prognosen verbessert werden k\u00f6nnten, und so die wichtigsten Herausforderungen f\u00fcr den Aufbau eines zuverl\u00e4ssigen Prognosemodells genauer zu bestimmen.<\/p>\n

F\u00fcr diese Untersuchung stehen mehrere Visualisierungen zur Verf\u00fcgung. Sie sind interaktiv, so dass Sie sich leicht auf bestimmte Bereiche konzentrieren k\u00f6nnen. Das Streudiagramm unten stellt zum Beispiel jede Vorhersage f\u00fcr das Validierungsset durch einen einzelnen Punkt dar. Wenn Sie den Mauszeiger \u00fcber die Punkte bewegen, die von der roten Linie entfernt sind, k\u00f6nnen Sie erkennen, f\u00fcr welche Art von data-Punkten die Vorhersagen weit von der Wahrheit entfernt sind.<\/p>\n<\/div>

<\/span><\/div>

Wenn Sie in unserem Beispiel mit dem Mauszeiger \u00fcber den oberen rechten Bereich fahren, sehen Sie, dass die Punkte, die am weitesten von der roten Linie entfernt sind, Samstage und Sonntage sind, was darauf schlie\u00dfen l\u00e4sst, dass das Modell unter der Woche besser abschneidet. Lassen Sie uns die Performance-Metriken nach Wochentag aggregieren, um diese Intuition zu best\u00e4tigen.<\/p>\n<\/div>

<\/span><\/div>

In der Tat sind die Fehler an den Wochenenden im Durchschnitt gr\u00f6\u00dfer als w\u00e4hrend der restlichen Woche. Diese Information sollten Sie im Auge behalten, wenn Sie versuchen, das Modell zu optimieren. Die Leistung kann sich auch im Laufe der Zeit ver\u00e4ndern. Daher ist es m\u00f6glich, andere in der App verf\u00fcgbare Aggregationsebenen zu w\u00e4hlen, um dies zu \u00fcberpr\u00fcfen. Wir k\u00f6nnten zum Beispiel die Metriken auf w\u00f6chentlicher oder monatlicher Ebene berechnen oder \u00fcber einen bestimmten Zeitraum, in dem wir vermuten, dass die Leistung anders ist als sonst.<\/p>\n<\/div>

Modell-Optimierung<\/h3><\/div>

Sobald wir die Hauptschw\u00e4chen des Modells entdeckt haben, stehen mehrere Optionen zur Verf\u00fcgung, um es zu verbessern: In der Seitenleiste der App k\u00f6nnen Sie die Standardkonfiguration bearbeiten und Ihre eigenen Spezifikationen eingeben. Alle Leistungsmetriken und Visualisierungen werden jedes Mal aktualisiert, wenn Sie die Einstellungen \u00e4ndern, um schnelles Feedback zu erhalten.<\/p>\n<\/div>

Die erste M\u00f6glichkeit, eine bessere Leistung zu erzielen, besteht darin, Ihr dataset einer individuellen Vorverarbeitung zu unterziehen. Es gibt mehrere Alternativen, um die zuvor identifizierten Herausforderungen zu umgehen. Mit einer Bereinigung k\u00f6nnen wir zum Beispiel die Ausrei\u00dfer um Weihnachten herum entfernen, die das Modell verwirren k\u00f6nnten. Wir k\u00f6nnten auch bestimmte Tage herausfiltern und so ganz einfach unterschiedliche Modelle f\u00fcr die Woche und die Wochenenden trainieren, da diese mit unterschiedlichem Kaufverhalten verbunden zu sein scheinen. Es stehen auch einige andere Filter- und Resampling-Optionen zur Verf\u00fcgung, falls sie f\u00fcr das vorliegende Problem relevant sind.<\/p>\n<\/div>

Die Prophet-Hyperparameter k\u00f6nnen ebenfalls angepasst werden, um das Modell besser an das data anzupassen. Diese Parameter beeinflussen die Art und Weise, wie der Sch\u00e4tzer lernt, den Trend und die Saisonalit\u00e4t aus den historischen Verk\u00e4ufen darzustellen, sowie das relative Gewicht dieser Komponenten in der globalen Prognose. Machen Sie sich keine Sorgen, wenn Sie mit den Prophet-Modellen nicht vertraut sind. Einige Tooltipps erkl\u00e4ren die Intuition hinter jedem Parameter und f\u00fchren Sie durch den Abstimmungsprozess. Im Bereich Modellierung k\u00f6nnen Sie das Modell auch mit externen Informationen wie Feiertagen oder Variablen f\u00fcttern, die mit dem zu prognostizierenden Signal zusammenh\u00e4ngen (wie z.B. dem Verkaufspreis der Produkte). Diese Regressoren werden wahrscheinlich die Leistung verbessern, da sie dem Modell zus\u00e4tzliches Wissen \u00fcber ein Ph\u00e4nomen liefern, das sich auf den Umsatz auswirkt.<\/p>\n<\/div>

Interpretierbarkeit der Vorhersage<\/h3><\/div>

Ein genaues Prognosemodell zu haben ist sch\u00f6n, aber noch besser ist es, wenn man die wichtigsten Faktoren erkl\u00e4ren kann, die zu den Vorhersagen beitragen. Der letzte Abschnitt der App soll uns helfen zu verstehen, wie das Modell, das wir gerade erstellt haben, Entscheidungen trifft. Es gibt verschiedene M\u00f6glichkeiten, diese Frage anzugehen: Wir k\u00f6nnen entweder eine einzelne Komponente betrachten und sehen, wie sich ihr Beitrag zu den Gesamtprognosen im Laufe der Zeit entwickelt, oder wir k\u00f6nnen eine einzelne Prognose nehmen und sie in die Summe der Beitr\u00e4ge mehrerer Komponenten zerlegen.<\/p>\n<\/div>

Lassen Sie uns mit der ersten Option beginnen. Die verschiedenen Komponenten, die die Prognosen beeinflussen, sind der Trend, die Saisonalit\u00e4t und die externen Regressoren. Wir haben bereits die Auswirkungen der w\u00f6chentlichen und j\u00e4hrlichen Saisonalit\u00e4ten beobachtet. Konzentrieren wir uns also auf die externen Regressoren, die wir in den Abschnitt zur Modelloptimierung aufgenommen haben: Feiertage und der Verkaufspreis der Produkte.<\/p>\n<\/div>

<\/span><\/div>

Der Einfluss einiger Feiertage ist ziemlich wichtig: So erh\u00f6ht der Tag der Arbeit Anfang September die Prognosen jedes Jahr um 50 Verk\u00e4ufe, und die Einbr\u00fcche an Weihnachten zeigen, dass das Modell die Tatsache ber\u00fccksichtigt hat, dass die Gesch\u00e4fte an diesem Tag geschlossen sind. Was den Preis betrifft, so ist er Jahr f\u00fcr Jahr gestiegen, und daher hat sich sein Einfluss auf den Umsatz von positiv zu negativ ver\u00e4ndert.<\/p>\n<\/div>

Es k\u00f6nnte auch n\u00fctzlich sein, zu erkl\u00e4ren, wie das Modell eine bestimmte Prognose erstellt hat, insbesondere wenn ein bestimmtes Ereignis die Vorhersage beeinflusst. Das folgende Wasserfalldiagramm zeigt diese Zerlegung f\u00fcr die Prognose vom 31. Oktober 2012.<\/p>\n<\/div>

<\/span><\/div>

In diesem Beispiel hat das Modell am Ende 96 Verk\u00e4ufe prognostiziert, was der Summe der Beitr\u00e4ge von f\u00fcnf verschiedenen Komponenten entspricht:<\/p>\n<\/div>