Можливо, програміст звик вводити тисячі, мільйони і мільярди точок даних у моделі машинного навчання, але це не потрібно для часових рядів. Фактично, можна працювати з невеликими і середніми TS, в залежності від частоти та типу змінної, і це не є недоліком методу. Більше того, насправді в цьому підході існує ряд переваг:
Такі набори інформації будуть відповідати можливостям домашнього комп’ютера.
В деяких випадках виконують аналіз тимчасових рядів і прогнозування, використовуючи весь набір даних, а не тільки зразок.
Довжина TS зручна для створення графіків, які можуть бути проаналізовані. Це дуже важливий момент, тому що програмісти ґрунтуються на графіку на етапі аналізу. Це не означає, що вони не працюють з величезними часовими рядами, але спочатку вони повинні вміти обробляти менші TS.
Будь-який набір даних, який містить поле, пов’язане з часом, може отримати вигоду з аналізу тимчасових рядів і прогнозування. Однак якщо у програміста є більший набір даних, БД (TSDB) може бути більш підходящим.
Деякі з цих наборів відбуваються з подій, записаних з допомогою часової мітки, системних журналів і фінансових даних. Оскільки TSDB спочатку працює з часовими рядами, це прекрасна можливість застосувати цю техніку до великомасштабних наборів даних.