series_decompose_forecast()
Prognóza založená na rozkladu řad.
Přebírá jako vstup výraz obsahující řadu (dynamickou číselnou matici) a předpovídá hodnoty posledních koncových bodů. Další informace najdete v tématu series_decompose.
Syntax
series_decompose_forecast(
Série,
Body,
[ Sezónnost,
,
Trend Seasonality_threshold ])
Přečtěte si další informace o konvencích syntaxe.
Parametry
Název | Typ | Vyžadováno | Popis |
---|---|---|---|
Řada | dynamic |
✔️ | Pole číselných hodnot, obvykle výsledný výstup řady make-series nebo make_list operátorů. |
Body | int |
✔️ | Určuje počet bodů na konci řady, které chcete předpovědět. Tyto body jsou vyloučeny z procesu učení neboli regrese. |
Sezónnost | int |
Řídí sezónní analýzu. Možné hodnoty jsou: - -1 : Automaticky rozdetekujte sezónnost pomocí series_periods_detect. Toto je výchozí hodnota.- Období: Kladné celé číslo určující očekávané období v počtu intervalů. Pokud je například řada v 1 - h intervalech, týdenní období je 168 přihrádek.- 0 : Žádná sezónnost, takže extrahování této komponenty přeskočte. |
|
Trendovou | string |
Řídí analýzu trendu. Možné hodnoty jsou: - avg : Definujte komponentu trendu jako average(x) . Tato možnost je výchozí.- linefit : Extrahujte komponentu trendu pomocí lineární regrese.- none : Žádný trend, takže přeskočte extrahování této komponenty. |
|
Seasonality_threshold | real |
Prahová hodnota skóre sezónnosti, pokud je sezónnost nastavená na automatické určení. Výchozí prahová hodnota skóre je 0,6. Další informace najdete v tématu series_periods_detect. |
Návraty
Dynamické pole s předpověděnou řadou.
Poznámka
- Dynamické pole původní vstupní řady by mělo obsahovat počet bodových slotů, které se mají předpovídat. Prognóza se obvykle provádí pomocí řady make-series a určením koncového času v rozsahu, který zahrnuje časový rámec prognózy.
- Měla by být povolena sezónnost nebo trend, jinak je funkce redundantní a vrátí jenom řadu naplněnou nulami.
Příklad
V následujícím příkladu vygenerujeme řadu čtyř týdnů v hodinovém intervalu s týdenní sezónností a malým vzestupným trendem. Potom použijeme make-series
a přidáme do řady další prázdný týden. series_decompose_forecast
se volá s týdnem (24*7 bodů) a automaticky zjistí sezónnost a trend a vygeneruje prognózu celého pětitýdenního období.
let ts=range t from 1 to 24*7*4 step 1 // generate 4 weeks of hourly data
| extend Timestamp = datetime(2018-03-01 05:00) + 1h * t
| extend y = 2*rand() + iff((t/24)%7>=5, 5.0, 15.0) - (((t%24)/10)*((t%24)/10)) + t/72.0 // generate a series with weekly seasonality and ongoing trend
| extend y=iff(t==150 or t==200 or t==780, y-8.0, y) // add some dip outliers
| extend y=iff(t==300 or t==400 or t==600, y+8.0, y) // add some spike outliers
| make-series y=max(y) on Timestamp from datetime(2018-03-01 05:00) to datetime(2018-03-01 05:00)+24*7*5h step 1h; // create a time series of 5 weeks (last week is empty)
ts
| extend y_forcasted = series_decompose_forecast(y, 24*7) // forecast a week forward
| render timechart
Váš názor
https://aka.ms/ContentUserFeedback.
Připravujeme: V průběhu roku 2024 budeme postupně vyřazovat problémy z GitHub coby mechanismus zpětné vazby pro obsah a nahrazovat ho novým systémem zpětné vazby. Další informace naleznete v tématu:Odeslat a zobrazit názory pro