Mejores Prácticas de Series Temporales de Kraken

Serie Temporal Univariante: Kraken implementa actualmente un modelo de serie temporal univariante que tiene similitudes con los modelos de mejor rendimiento en la industria, como Auto-SARIMA. El modelado de series temporales busca estacionalidad y tendencias generales de crecimiento basadas en datos históricos. Esto permite que los modelos predigan hacia el futuro cualquier cantidad de tiempo. Kraken pronostica 12 meses hacia el futuro y puede manejar datos diarios, semanales o mensuales. También maneja de manera elegante los días faltantes. El conjunto de datos de retorno tiene la fecha, el valor real, el valor predicho, el límite superior y el límite inferior (límites en un intervalo de confianza del 80%), así como marca los valores atípicos en el conjunto de datos que son automáticamente considerados anomalías y eliminados del entrenamiento. Nota importante - Campo de Fecha: Kraken utilizará el tipo de dato que se usa en la conexión de origen. Es decir, si estás usando un conector MySQL y el esquema tiene una columna como tipo de fecha, se leerá como una fecha en Kraken. Para los CSVs, Kraken actualmente solo analiza fechas en el formato “aaaa-mm-dd”. Nota importante - Agregación: Kraken suma datos al nivel diario y luego observa la frecuencia/escasez de fechas de los datos que se le dan (eso significa que si tienes múltiples puntos por día, los sumará juntos). Si se le dan datos diarios pero con muchos días faltantes, los datos se agregarán automáticamente sumando los datos al nivel semanal; lo mismo ocurre al agregar el nivel semanal al nivel mensual. Si ocurre este tipo de agregación, es posible que las fechas devueltas del pronóstico no coincidan exactamente con las fechas dadas para ser analizadas, pero la suma del valor coincidirá con la suma del valor en el conjunto de datos de entrada.