Quiver에 시계열 추가

시계열은 시간에 따라 기록한 측정값입니다. 연간 매출, 일별 항공편 수, 시간별 생산량과 초 미만 간격의 센서 값 등을 분석할 수 있습니다. Quiver에는 온톨로지의 TSP를 통해 추가하는 경로 외에 동기화, 함수 결과와 객체의 표 데이터를 사용하는 경로도 있습니다.

저장 형식과 온톨로지 연결을 준비하려면 시계열 설정을 먼저 구성합니다.

시계열 속성 검색

상단 Add data 영역의 Time Series를 선택합니다. 검색 창에서 시계열을 가진 객체를 탐색하여 TSP를 추가합니다.

예제는 Weather stations 유형에서 newark를 검색하고 Newark Liberty International의 Temperature 속성을 선택합니다. 검색 창을 닫으면 온도 플롯을 가진 시계열 차트가 만들어집니다.

기존 차트에서 추가

시계열 차트에 포인터를 놓고 다음 작업 메뉴에서 시계열 검색을 열 수 있습니다.

객체별로 묶은 범례에서도 관련 시계열을 추가할 수 있습니다. 루트 객체에 포인터를 놓고 +를 선택하여 같은 객체에 연결된 다른 시계열을 고릅니다. 예제는 Newark Liberty International의 Temperature 차트에 Wind Speed를 더합니다.

객체 집합 표에서 꺼내기

객체 집합의 시계열 셀에 포인터를 놓고 Pop out property를 선택합니다. 해당 TSP의 플롯과 기준 객체의 Object selector 매개변수가 추가됩니다.

예제는 WXPOD 7018의 Rain status, Snow depth와 Temperature를 꺼내 같은 차트에 표시합니다. 이후 객체 선택기를 CHITRAL로 바꾸면 세 플롯의 기준 객체도 바뀝니다.

단일 객체에서 추가

객체 선택기 같은 단일 객체 카드의 다음 작업 메뉴에서 Visualize > Time series property를 선택합니다. 플롯 편집기에서 사용할 TSP를 정합니다.

예제의 Newark Liberty International에는 기본 TSP인 Temperature가 먼저 추가되며, 이후 편집기에서 Wind speed로 바꿉니다.

동기화에서 직접 추가

시계열 동기화를 만들었지만 아직 온톨로지 TSP로 연결하지 않았어도 분석할 수 있습니다. 시계열 검색 창 오른쪽 위의 Import time series from sync를 선택하고 파일 선택기에서 동기화를 고릅니다.

동기화와 TSP의 관계는 시계열 동기화에 설명되어 있습니다.

함수 기반 시계열

Python 함수가 동적으로 만든 시계열도 사용할 수 있습니다. Code function time series 카드를 추가하고 게시한 함수, 사용할 버전과 입력을 구성합니다. 반환한 시계열은 다른 Quiver 시계열 연산으로 계속 변환할 수 있습니다.

맞춤 모델의 예측이나 필요할 때 생성하는 데이터에는 함수 기반 시계열을 사용할 수 있습니다.

객체의 표 데이터를 시계열로 변환

동기화하지 않은 데이터라도 객체에 측정 시각과 값 속성이 있으면 Quiver에서 시계열로 바꾸어 탐색할 수 있습니다. 규모와 성능 제약은 성능 지침을 따릅니다.

이 시계열은 원래 객체 집합에 의존합니다. 입력 집합을 필터링하면 변환한 시계열에도 해당 객체의 관측만 남습니다.

Tabular time series

객체 집합 또는 transform table의 다음 작업 메뉴에서 Convert > Tabular time series를 선택합니다. 각 점의 timestamp와 value에 사용할 열을 지정합니다.

예제의 Tea Batch 집합은 시작 시각을 timestamp, caffeine 속성을 value로 사용합니다.

시간으로 그룹화한 범주형 차트

시간 속성으로 그룹화한 객체 차트는 Categorical time series 플롯으로 변환할 수 있습니다. 먼저 주, 월 또는 연도 단위로 집계하면 기간별 값을 만든 뒤 시계열로 전환하는 방식이 됩니다.

예제는 Tea Batch를 시작 시각의 주 단위로 묶어 주별 평균 caffeine을 구한 뒤 시계열로 변환합니다. 여기서 Categorical은 입력 차트가 범주별 집계라는 뜻이며 예제의 평균 caffeine 값은 숫자입니다.

다음 분석

시계열 표시와 축을 구성한 뒤 변환을 적용합니다. 집계와 지표로 값을 요약하거나, X/Y 플롯에서 두 시계열의 관계와 분포를 비교할 수 있습니다. 시계열 변환 카드에서 이동, 필터와 결합 연산의 입력 및 출력을 확인합니다.

시간과 값 범위를 저장하여 여러 차트에 표시하고, 보간 방식에 따른 계산 시각과 이상 구간 검색 결과를 비교할 수 있습니다. 이벤트 카드로 구간을 만들고 이벤트별 상대 시간을 기준으로 비교할 수 있습니다. 여러 시계열의 일괄 분석도 같은 입력에서 이어서 구성합니다.

기준 객체와 선택 행을 바꾸면 같은 분석을 다른 센서에 적용할 수 있습니다. 정상 실행들을 정렬하여 평균과 표준편차로 만든 참조 프로파일은 이후 실행의 곡선과 비교하는 기준으로 사용합니다.