Meilleures pratiques pour les séries temporelles Kraken

Série Temporelle Univariée : Kraken implémente actuellement un modèle de série temporelle univariée qui présente des similitudes avec les modèles les plus performants de l'industrie comme l'Auto-SARIMA. La modélisation des séries temporelles recherche la saisonnalité et les tendances générales de croissance basées sur les données historiques. Cela permet aux modèles de prédire dans le futur pour n'importe quelle période de temps. Kraken prévoit 12 mois dans le futur et peut gérer des données quotidiennes, hebdomadaires ou mensuelles. Il gère également avec élégance les jours manquants. Le jeu de données de retour comprend la date, la valeur réelle, la valeur prédite, la limite supérieure et la limite inférieure (limites à un intervalle de confiance de 80 %), ainsi que les valeurs aberrantes du jeu de données qui sont automatiquement considérées comme des anomalies et retirées de l'entraînement. Note importante - Champ de Date : Kraken utilisera le type de données utilisé dans la connexion source. C'est-à-dire que si vous utilisez un connecteur MySQL et que le schéma a une colonne de type date, elle sera lue comme une date dans Kraken. Pour les fichiers CSV, Kraken ne parse actuellement que les dates au format « aaaa-mm-jj ». Note importante - Agrégation : Kraken additionne les données au niveau quotidien puis examine la fréquence/sparcité des dates des données qui lui sont fournies (cela signifie que si vous avez plusieurs points par jour, il les additionnera). Si des données quotidiennes sont fournies mais avec beaucoup de jours manquants, les données s'agrégeront automatiquement à la somme des données au niveau hebdomadaire ; il en va de même pour l'agrégation du niveau hebdomadaire au niveau mensuel. Si ce type d'agrégation se produit, il est possible que les dates retournées par la prévision ne correspondent pas exactement aux dates données à analyser, mais la somme de la valeur correspondra à la somme de la valeur sur le jeu de données d'entrée.