Power BI的时间序列预测——视觉对象使用盘点

之前专门花了两篇推文来分别介绍两种常用时间序列模型：ETS（指数平滑法）和ARIMA（整合差分移动平均自回归法）的基本原理。本文就进入Power BI的用法篇。

前期准备

上图四个预测相关的视觉对象，都是通过R建立模型。因此，首先在电脑上安装R，同时设置Power BI能调用R。具体可参照这篇推文《R学习笔记 - Day1 简介》。在首次使用上述视觉对象的时候，Power BI会提示下载所需的包（Libraries），用户根据提示一步一步点击即可，无需手动在R上另外安装。

Forecasting TBATS

TBATS是季节性ARIMA模型的变体。基本原理跟ARIMA模型相似。这四个预测型视觉对象都只能拖入两个字段：时间字段和序列数值字段。

该视觉对象提供了相对较多的可以设置的功能。包括：

• 选择季节性是按小时、日、周、月、季度还是年
• 是否允许直接导出预测数据
• 置信度区间
• 图形的颜色、透明度等
• 坐标标签
• 显示模型备注，可选则显示模型AIC、Cumulative和method

Forecast using Neural Network by MAQ

该视觉对象使用神经网络模型。该视觉对象不可调参，也基本不能调整图形设置。而且当数据集较大时，运算非常耗时。不建议使用。

Forecasting Using Multiple Models by MAQ

该视觉对象可选4种模型：

• 指数平滑法
• 线性回归
• 神经网络
• ARIMA

该视觉对象默认会将已有的数据集按0.75划分为训练集，0.25划分为测试集，计算出预测误差以及MAPE（平均绝对百分比误差），用以衡量模型的效果。用户可以修改数据集划分的比例。用户也可以选择手动对模型进行调参。详细用法参照这个视频。

Forecasting with ARIMA

这个是专门使用ARIMA的视觉对象。可以设置p,d,q和含季节性的P,D,Q参数。也可以开放数据导出的功能。

总结

时间序列预测本身是个复杂而又难以保证效果的工作。实操中，不可能简单套用任何模型，而需要对模型进行调参，或综合使用多种模型。甚至，由于现实世界的干扰因素远比模型的假设条件复杂，深耕具体行业的老手的个人经验可能比模型预测更加靠谱。

Power BI本身不适合建立复杂的预测模型，可以借助第三方工具（如R）去完成。但从上述介绍中我们可以看到，第三方视觉对象只是为这些模型的可视化提供了一定的可能性，所提供的调参功能非常有限。一方面，可调的参数范围有限，如ARIMA模型一般各参数不能超过3。另一方面，缺乏调参的辅助工具。如ARIMA模型在确定p、q时，可使用ACF和PACF函数。确定差分阶数（d）时，可用单位根检验等。这些调参工作，可以借助专门的工具（Python、R、SPSS、Eviews等）进行。