在 Power BI 中进行预测

Power BI 中的时间序列分析

Kevin Barlow

Data Analytics Professional

背景与重要性

预测是一种更高级的分析，用于推断将要发生的事情，而不仅是回顾已发生的事情。

预测类型

【预测】

• 用现有数据外推到未来日期
• 属于"预测性"或"规范性"分析

行业示例

1. 预测某产品的需求
2. 预测支撑工程部门所需的人数

【回演】

• 用预测模型去"预测"已有数据
• 常用于检验模型准确性

行业示例

1. 回演导致特定环境变化的气候条件
2. 检验股票预测模型是否准确

预测基础

预测利用历史数据来估计未来日期的数值。

请看下表：

日期	数值
1 月 1 日	5
1 月 2 日	10
1 月 3 日	15
1 月 4 日
1 月 5 日

利用整体趋势，我们可以较可靠地预测后续数值。这是线性回归的示例。

日期	数值
1 月 1 日	5
1 月 2 日	10
1 月 3 日	15
1 月 4 日	20
1 月 5 日	25

预测杂乱数据

时间序列常常杂乱，若不"清洗"就难以预测。

指数平滑是一种用来"平滑"数据噪声的技术。

预测的置信度

任何预测都会有误差，因为这些日期没有真实数据！

【置信区间】— 在给定置信水平（%）下，提供数据可能落入的区间。

Power BI 允许您 配置预测所需的 置信度。`

股票数据集

我们将用微软股票（代码：MSFT）的数据练习预测。数据包含该股在某日的基本交易价格信息。

开始练习！

Power BI 中的时间序列分析