Zbiór danych do konstrukcji szeregu czasowego powinien zawierać numeryczny target (z wartościami szeregu czasowego) oraz atrybut zawierający identyfikator punktu czasowego, używany do uporządkowania wartości szeregu. Nazwa tego atrybutu musi zostać określona w obiekcie Function settings dla modelu. Dla modelu MGARCH(p,q) dodatkowe zmienne objaśniające (predyktory) również powinny być numeryczne. Aby użyć zmiennych kategorycznych, konieczna jest ich transformacja do pomocniczych zmiennych zerojedynkowych.

Jeżeli nie wybrano opcji Automatic Data Trasformation, brakujące wartości (missing values) nie są wspierane przez moduł Szeregi czasowe. Innym sposobem użycia do modelowania zbioru zawierającego brakujące wartości jest ich uzupełnienie przed modelowaniem albo ustawienie Liberal Mode we właściwościach algorytmu (co zapewni automatyczne pominięcie obserwacji zawierających brakujące wartości).

Budowa modelu odbywa się w standardowy dla AdvancedMiner sposób, a cała procedura jest opisana w rozdziale AdvancedMiner w praktyce. Obiektem Function Settings dedykowanym do analizy szeregów czasowych jest TimeSeriesFunctionSettings. AlgorithmSettings są dodawane po dodaniu LogicalData. W zależności od tego, jaki model użytkownik chce utworzyć, dostępne są dwa typy obiektu AlgorithmSettings: ARCHSettings i GARCHSettings. Następnie, w oknie Properties obiektu TimeSeriesFuctionSettings ustawiane są dwie podstawowe właściwości: Target - nazwa zmiennej objaśnianej oraz Time Point Attribute Name nazwa zmiennej z identyfikatorem punktów czasowych. Opcja Sorting Required określa, czy potrzebne jest sortowanie wg zmiennej czasowej.

Pełna specyfikacja ustawień modelu zawiera elementy AlgorithmSettings: General Algorithm Settings, Optimization Algorithm Settings, Variable Selection Settings i Transformation Settings.

Testowanie modelu dla modułu Szeregi czasowe jest funkcjonalnością eksperymentalną.

Zagadnienie testowania modelu szeregu czasowego jest do pewnego stopnia analogiczne do zagadnienia testowania modelu aproksymacyjnego. Test polega na wyliczeniu zagregowanych statystyk mierzących jak dobrze wariancja przewidziana przez model przybliża wariancję zaobserwowaną. Dostępne są następujące miary:

gdzie jest średnią z zaobserwowanych wartości szeregu, oznacza wariancję modelu dla i-tej obserwacji, oznacza wartość szeregu dla i-tej obserwacji, a N oznacza liczbę obserwacji w szeregu.

Stosowanie modelu dla modułu Szeregi czasowe jest funkcjonalnością eksperymentalną.

Zastosowanie modeli szeregów czasowych klasy ARCH(p) i GARCH(p,q) sprowadza się do prognozy wartości szeregu w punkcie czasu t+1. W tym momencie możliwe jest prognozowanie tylko na jeden okres czasowy do przodu.

Szczegóły dot. stosowania modelu na zbiorze danych znaleźć można w rozdziale Stosowanie modeli w AdvancedMiner, w sekcji Stosowanie innych modeli data-miningowych.

Po zastosowaniu modelu szeregu czasowego, wynikowa tabela zawiera następujące kolumny:

Tabela 30.4. Szeregi czasowe - Kolumny tabeli wynikowej po zastosowaniu modelu

Nazwa	Opis
<prefix>_<timepoint> attributes	Oszacowane przez model wartości wariancji dla punktów czasowych t+1, t+2 itd. gdzie t oznacza punkt czasowy dla obecnej obserwacji; "prefix" może być ustawiony przy użyciu metody setPrefix w obiekcie TimeSeriesApplyOutput (domyślnym prefiksem jest "variance").
regressed_mean	Zmienna zawierająca wartości liniowego scoringu wyliczone z liniowej części modelu GARCH; jeżeli w modelu nie występuje żaden atrybut objaśniający, zmienna ta sprowadza się do wartości wyrazu wolnego.
forecast_lowerbound	Dolna granica przedziału ufności dla wariancji prognozowanej w punkcie t+1; przedział ufności jest wyliczany dla współczynnika ufności na poziomie 95%.
forecast_upperbound	Górna granica przedziału ufności dla wariancji prognozowanej w punkcie t+1; przedział ufności jest wyliczany dla współczynnika ufności na poziomie 95%.