Tijdreeksdata

Tijdreeksdata bestaan uit waarnemingen die in opeenvolgende tijdstippen zijn verzameld. Elke waarneming heeft een tijdstempel en een waarde van de gemeten variabele. Tijdreeksen worden vaak met regelmatige intervallen verzameld, zoals elke minuut of dag, maar onregelmatige tijdstippen komen ook voor. Ze maken het mogelijk veranderingen over tijd te begrijpen en te voorspellen.

Belangrijke kenmerken zijn onder meer een trend (lange termijn toename of afname) en seizoenspatronen (periodieke fluctuaties). Veel series zijn niet-stationair; eigenschappen zoals gemiddelde en variantie kunnen door de tijd veranderen. Autocorrelatie geeft aan in hoeverre opeenvolgende waarden samenhangen.

Toepassingen bevinden zich in financiën, weer en klimaat, energie en productie, en webverkeer. Gegevens komen uit sensoren, logboeken, markten en databases. Tijdreeksanalyse ondersteunt forecasting, anomaliedetectie en het begrijpen van structurele veranderingen.

Verwerking omvat het opschonen van ontbrekende waarden, resampling naar een uniforme frequentie en detrending of differencing. Gebruikelijke modellen zijn ARIMA/SARIMA, Exponential Smoothing en Prophet; state-space modellen en Kalman-filters zijn ook gangbaar.

Visualisatie omvat lijnplots en seizoensdecompositie om componenten te herkennen. Voorspellende modellen worden geëvalueerd met MAE, RMSE of MAPE, vaak via train-test splits of backtesting. Belangrijk is het communiceren van onzekerheid.

Opslag: data worden vaak opgeslagen in CSV of tijdreeksdatabases, met timestamps in ISO 8601 en zorg voor tijdzonebeheer.