Technische Referenz zu Microsoft-Zeitreihenalgorithmus

Der Microsoft Time Series-Algorithmus enthält zwei separate Algorithmen für die Analyse von Zeitreihen:

• Der ARTXP-Algorithmus, der in SQL Server 2005 eingeführt wurde, ist für die Vorhersage des nächsten wahrscheinlichen Werts in einer Datenreihe optimiert.

• Der ARIMA-Algorithmus wurde in SQL Server 2008 hinzugefügt, um die Genauigkeit für die langfristige Vorhersage zu verbessern.

Standardmäßig verwendet Analysis Services jeden Algorithmus separat, um das Modell zu trainieren, und blendet dann die Ergebnisse zusammen, um die beste Vorhersage für eine variable Anzahl von Vorhersagen zu erzielen. Sie können auch nur einen der Algorithmen verwenden, basierend auf Ihren Daten- und Vorhersageanforderungen. In SQL Server 2008 Enterprise können Sie auch den Abschneidepunkt anpassen, der die Mischung von Algorithmen während der Vorhersage steuert.

Dieses Thema enthält zusätzliche Informationen dazu, wie jeder Algorithmus implementiert wird und wie Sie den Algorithmus anpassen können, indem Sie Parameter festlegen, um die Analyse- und Vorhersageergebnisse zu optimieren.

Implementierung des Microsoft-Zeitreihenalgorithmus

Microsoft Research hat den ursprünglichen ARTXP-Algorithmus entwickelt, der in SQL Server 2005 verwendet wurde und die Implementierung auf dem Microsoft Decision Trees-Algorithmus basiert. Daher kann der ARTXP-Algorithmus als autoregressives Strukturmodell für die Darstellung periodischer Zeitreihendaten beschrieben werden. Dieser Algorithmus verknüpft eine variable Anzahl vergangener Elemente mit jedem aktuellen Element, das vorhergesagt wird. Der Name ARTXP leitet sich von der Tatsache ab, dass die autoregressive Strukturmethode (ein ART-Algorithmus) auf mehrere unbekannte frühere Zustände angewendet wird. Eine ausführliche Erläuterung des ARTXP-Algorithmus finden Sie unter Autoregressive Tree Models for Time-Series Analysis.

Der ARIMA-Algorithmus wurde dem Microsoft Time Series-Algorithmus in SQL Server 2008 hinzugefügt, um die langfristige Vorhersage zu verbessern. Es ist eine Implementierung des Prozesses für die Berechnung autoregressiver integrierter gleitender Mittelwerte, die von Box und Jenkins beschrieben wurde. Die ARIMA-Methodik ermöglicht es, Abhängigkeiten in Beobachtungen, die sequenziell in der Zeit durchgeführt wurden, zu bestimmen und zufällige Schocks als Teil des Modells zu integrieren. Die ARIMA-Methode unterstützt auch multiplizierte Saisonalität. Leser, die mehr über den ARIMA-Algorithmus erfahren möchten, werden ermutigt, die halbnale Arbeit von Box und Jenkins zu lesen; Dieser Abschnitt soll spezifische Details dazu bereitstellen, wie die ARIMA-Methodik im Microsoft Time Series-Algorithmus implementiert wurde.

Standardmäßig verwendet der Microsoft Time Series-Algorithmus beide Methoden, ARTXP und ARIMA, und blendet die Ergebnisse zusammen, um die Vorhersagegenauigkeit zu verbessern. Wenn Sie nur eine bestimmte Methode verwenden möchten, können Sie die Algorithmusparameter so festlegen, dass nur ARTXP oder nur ARIMA verwendet wird, oder um zu steuern, wie die Ergebnisse der Algorithmen kombiniert werden. Beachten Sie, dass der ARTXP-Algorithmus Kreuzvorhersage unterstützt, aber der ARIMA-Algorithmus nicht. Daher ist die Kreuzvorhersage nur verfügbar, wenn Sie eine Mischung aus Algorithmen verwenden oder wenn Sie das Modell so konfigurieren, dass nur ARTXP verwendet wird.

Grundlegendes zur ARIMA-Differenzreihenfolge

In diesem Abschnitt werden einige Begriffe eingeführt, die benötigt werden, um das ARIMA-Modell zu verstehen, und wird die spezifische Implementierung der Differenzierung im Microsoft Time Series-Algorithmus erläutert. Für eine vollständige Erläuterung dieser Begriffe und Konzepte empfehlen wir eine Rezension von Box und Jenkins.

• Ein Begriff ist eine Komponente einer mathematischen Formel. Beispielsweise kann ein Begriff in einer Polynomengleichung eine Kombination aus Variablen und Konstanten enthalten.

• Die ARIMA-Formel, die im Microsoft Time Series-Algorithmus enthalten ist, verwendet sowohl autoregressive als auch gleitende Durchschnittsterme.

• Zeitreihenmodelle können stationär oder nicht stationär sein. Stationäre Modelle sind diejenigen, die auf einen Mittelwert zurückgesetzt werden, obwohl sie Zyklen haben könnten, während nichtstationäre Modelle keinen Gleichgewichtsfokus haben und einer größeren Varianz oder Veränderung ausgesetzt sind, die durch Schocks oder externe Variablen eingeführt werden.

• Ziel der Differenzierung ist es, eine Zeitreihe zu stabilisieren und stationär zu werden.

• Die Reihenfolge der Differenz stellt die Häufigkeit dar, mit der die Differenz zwischen Werten für eine Zeitreihe verwendet wird.

Der Microsoft Time Series-Algorithmus funktioniert, indem Werte in einer Datenreihe verwendet und versucht werden, die Daten an ein Muster anzupassen. Wenn die Datenreihe noch nicht stationär ist, wendet der Algorithmus eine Reihenfolge der Differenz an. Jede Erhöhung der Reihenfolge der Differenz tendiert dazu, die Zeitreihen stationärer zu machen.

Wenn Sie beispielsweise über die Zeitreihen (z1, z2, ..., zn) verfügen und Berechnungen mit einer Reihenfolge der Differenz durchführen, erhalten Sie eine neue Datenreihe (y1, y2,...., yn-1), wobei yi = zi+1-zi. Wenn die Differenzreihenfolge 2 ist, generiert der Algorithmus eine weitere Datenreihe (x1, x2, ..., xn-2), basierend auf der y-Datenreihe, die von der ersten Sortiergleichung abgeleitet wurde. Die richtige Menge an Unterschiedlichkeit hängt von den Daten ab. Eine einzige Reihenfolge der Unterschiede ist am häufigsten in Modellen, die einen konstanten Trend zeigen; Eine zweite Reihenfolge der Unterschiede kann auf einen Trend hinweisen, der mit der Zeit variiert.

Standardmäßig ist die Reihenfolge der im Microsoft-Zeitreihenalgorithmus verwendeten Differenz -1, was bedeutet, dass der Algorithmus automatisch den besten Wert für die Differenzreihenfolge erkennt. In der Regel ist dieser beste Wert 1 (wenn die Differenzbildung erforderlich ist), aber unter bestimmten Umständen erhöht der Algorithmus diesen Wert auf maximal 2.

Der Microsoft Time Series-Algorithmus bestimmt die optimale ARIMA-Differenzreihenreihenfolge mithilfe der Autoregression-Werte. Der Algorithmus untersucht die AR-Werte und legt einen ausgeblendeten Parameter fest, ARIMA_AR_ORDER, der die Reihenfolge der AR-Ausdrücke darstellt. Dieser ausgeblendete Parameter, ARIMA_AR_ORDER, weist einen Wertebereich von -1 bis 8 auf. Beim Standardwert von -1 wählt der Algorithmus automatisch die entsprechende Differenzreihenfolge aus.

Wenn der Wert von ARIMA_AR_ORDER größer als 1 ist, multipliziert der Algorithmus die Zeitreihe mit einem polynomischen Begriff. Wenn ein Begriff der polynomischen Formel in eine Wurzel von 1 oder nahe 1 aufgelöst wird, versucht der Algorithmus, die Stabilität des Modells beizubehalten, indem er den Begriff entfernt und die Differenzreihenfolge um 1 erhöht. Wenn die Differenzreihenfolge bereits am Maximum liegt, wird der Ausdruck entfernt, und die Differenzreihenfolge ändert sich nicht.

Wenn beispielsweise der Wert von AR = 2 lautet, kann der resultierende AR-Polynombegriff wie folgt aussehen: 1 - 1 - 1,4B + .45B^2 = (1- .9B) (1- 0,5B). Notieren Sie sich den Begriff (1- .9B), der eine Wurzel von etwa 0,9 hat. Der Algorithmus beseitigt diesen Begriff aus der polynomischen Formel, kann die Differenzreihenfolge jedoch nicht um einen erhöhen, da er bereits am Maximalwert 2 liegt.

Es ist wichtig zu beachten, dass Die einzige Möglichkeit, wie Sie eine Änderung in der Differenzreihenfolge erzwingen können, darin besteht, den nicht unterstützten Parameter ARIMA_DIFFERENCE_ORDER zu verwenden. Mit diesem versteckten Parameter wird gesteuert, wie oft der Algorithmus auf der Zeitreihe differenziert wird, und er kann durch Eingeben eines benutzerdefinierten Algorithmusparameters festgelegt werden. Es wird jedoch nicht empfohlen, diesen Wert zu ändern, es sei denn, Sie sind bereit, zu experimentieren und mit den betreffenden Berechnungen vertraut zu sein. Beachten Sie außerdem, dass derzeit kein Mechanismus vorhanden ist, einschließlich ausgeblendeter Parameter, damit Sie den Schwellenwert steuern können, an dem die Erhöhung der Differenzreihenfolge ausgelöst wird.

Beachten Sie schließlich, dass die oben beschriebene Formel der vereinfachte Fall ohne Saisonalitätshinweise ist. Wenn Saisonalitätshinweise angegeben werden, wird links neben der Formel für jeden Saisonalitätshinweis ein separater AR-Polynombegriff hinzugefügt, und dieselbe Strategie wird angewendet, um Ausdrücke zu beseitigen, die die differenzierte Datenreihe möglicherweise destabilisieren können.

Anpassen des Microsoft-Zeitreihenalgorithmus

Der Microsoft Time Series-Algorithmus unterstützt die folgenden Parameter, die sich auf das Verhalten, die Leistung und genauigkeit des resultierenden Miningmodells auswirken.

Hinweis

Der Microsoft Time Series-Algorithmus ist in allen Editionen von SQL Server verfügbar; Einige erweiterte Features, einschließlich Parameter zum Anpassen der Zeitreihenanalyse, werden jedoch nur in bestimmten Editionen von SQL Server unterstützt. Eine Liste der Features, die von den Editionen von SQL Server unterstützt werden, finden Sie unter Features, die von den Editionen von SQL Server 2012 unterstützt werden.

Erkennung von Saisonalität

Sowohl ARIMA- als auch ARTXP-Algorithmen unterstützen die Erkennung von Saisonalität oder Periodizität. Analysis Services verwendet die Fast Fourier-Transformation, um Saisonalität vor dem Training zu erkennen. Sie können sich jedoch auf die Erkennung der Saisonalität und die Ergebnisse der Zeitreihenanalyse auswirken, indem Sie Algorithmusparameter festlegen.

• Durch Ändern des Werts von AUTODETECT_SEASONALITY können Sie die Anzahl der möglichen Zeitsegmente beeinflussen, die generiert werden.

• Durch Festlegen eines Werts oder mehrerer Werte für PERIODICITY_HINT können Sie dem Algorithmus Informationen zu erwarteten Zyklen in den Daten bereitstellen und die Genauigkeit der Erkennung potenziell erhöhen.

Hinweis

Sowohl der ARTXP- als auch der ARIMA-Algorithmus sind sehr empfindlich gegenüber Hinweisen auf Saisonalität. Daher kann das Bereitstellen des falschen Hinweises die Ergebnisse beeinträchtigen.

Auswählen eines Algorithmus und Angeben der Mischung von Algorithmen

Wenn Sie die MIXED-Option auswählen, kombiniert Analysis Services standardmäßig die Algorithmen und weist ihnen die gleiche Gewichtung zu. In SQL Server 2008 Enterprise können Sie jedoch einen bestimmten Algorithmus angeben, oder Sie können den Anteil jedes Algorithmus in den Ergebnissen anpassen, indem Sie einen Parameter festlegen, der die Ergebnisse auf die kurz- oder langfristige Vorhersage gewichtet. Standardmäßig wird der FORECAST_METHOD-Parameter auf MIXED festgelegt, und Analysis Services verwendet beide Algorithmen und gewichtet dann ihre Werte, um die Stärken jedes Algorithmus zu maximieren.

• Um die Auswahl des Algorithmus zu steuern, legen Sie den FORECAST_METHOD Parameter fest.

• Wenn Sie Cross-Prediction verwenden möchten, müssen Sie entweder die ARTXP- oder die MIXED-Option verwenden, da ARIMA Cross-Prediction nicht unterstützt.

• Legen Sie die FORECAST_METHOD auf ARTXP fest, wenn Sie die kurzfristige Vorhersage bevorzugen möchten.

• Legen Sie die FORECAST_METHOD auf ARIMA fest, wenn Sie die langfristige Vorhersage verbessern möchten.

In SQL Server 2008 Enterprise können Sie auch anpassen, wie Analysis Services die Kombination aus ariMA- und ARTXP-Algorithmen kombiniert. Sie können sowohl den Ausgangspunkt für die Mischung als auch die Änderungsrate steuern, indem Sie den parameter PREDICTION_SMOOTHING festlegen:

• Wenn Sie PREDICTION_SMOOTHING auf 0 festlegen, verwendet das Modell nur ARTXP.

• Wenn Sie PREDICTION_SMOOTHING auf 1 festlegen, verwendet das Modell nur ARIMA.

• Wenn Sie PREDICTION_SMOOTHING auf einen Wert zwischen 0 und 1 festlegen, gewichtet das Modell den ARTXP-Algorithmus als exponentiell abnehmende Funktion der Vorhersageschritte. Gleichzeitig gewichtet das Modell auch den ARIMA-Algorithmus als 1-Komplement der ARTXP-Gewichtung. Das Modell verwendet die Normalisierung und eine Stabilisierungskonstante, um die Kurven zu glätten.

Im Allgemeinen ist ARTXP fast immer die bessere Wahl, wenn Sie bis zu 5 Zeitsegmente vorhersagen. Wenn Sie jedoch die Anzahl der Zeitsegmente erhöhen, die vorhergesagt werden sollen, führt ARIMA normalerweise besser aus.

Das folgende Diagramm veranschaulicht, wie das Modell die Algorithmen mischt, wenn PREDICTION_SMOOTHING auf den Standardwert 0,5 festgelegt ist. ARIMA und ARTXP werden zuerst gleichmäßig gewichtet, aber da die Anzahl der Vorhersageschritte zunimmt, wird ARIMA stärker abgewogen.

Im Gegensatz dazu veranschaulicht das folgende Diagramm die Vermischung der Algorithmen, wenn PREDICTION_SMOOTHING auf 0,2 festgelegt ist. Für Schritt 0 gewichtet das Modell ARIMA als 0,2 und ARTXP als 0,8. Danach nimmt die Gewichtung von ARIMA exponentiell zu und die Gewichtung von ARTXP exponentiell ab.

Festlegen von Algorithmusparametern

In der folgenden Tabelle werden die Parameter beschrieben, die mit dem Microsoft Time Series-Algorithmus verwendet werden können.

Parameter	BESCHREIBUNG
AUTO_DETECT_PERIODICITY	Gibt einen numerischen Wert zwischen 0 und 1 an, der Periodizität erkennt. Der Standardwert ist 0.6. Wenn der Wert näher an 0 liegt, wird die Periodizität nur für stark periodische Daten erkannt. Das Festlegen dieses Werts näher an 1 begünstigt die Ermittlung vieler Muster, die fast periodisch sind und die automatische Generierung von Periodizitätshinweisen. Hinweis: Der Umgang mit vielen Regelmäßigkeitshinweisen führt wahrscheinlich zu erheblich längeren Modelltrainingszeiten, aber genaueren Modellen.
KOMPLEXITÄTSSTRAFE	Steuert das Wachstum des Entscheidungsbaums. Der Standardwert ist 0.1. Das Verringern dieses Werts erhöht die Wahrscheinlichkeit einer Teilung. Das Erhöhen dieses Werts verringert die Wahrscheinlichkeit einer Unterbrechung. Hinweis: Dieser Parameter ist nur in einigen Editionen von SQL Server verfügbar.
FORECAST_METHOD	Gibt an, welcher Algorithmus für Die Analyse und Vorhersage verwendet werden soll. Mögliche Werte sind ARTXP, ARIMA oder MIXED. Der Standardwert ist MIXED.
HISTORIC_MODEL_COUNT	Gibt die Anzahl der historischen Modelle an, die erstellt werden sollen. Der Standardwert ist 1. Hinweis: Dieser Parameter ist nur in einigen Editionen von SQL Server verfügbar.
HISTORICAL_MODEL_GAP	Gibt den Zeitabstand zwischen zwei aufeinander folgenden historischen Modellen an. Der Standardwert ist 10. Der Wert stellt eine Anzahl von Zeiteinheiten dar, wobei die Einheit durch das Modell definiert wird. Wenn Sie diesen Wert z. B. auf g festlegen, werden historische Modelle für Daten erstellt, die nach Zeitsegmenten in Intervallen von g, 2*g, 3*g usw. abgeschnitten werden. Hinweis: Dieser Parameter ist nur in einigen Editionen von SQL Server verfügbar.
INSTABILITÄTSSENSITIVITÄT	Steuert den Punkt, an dem die Vorhersageabweichung einen bestimmten Schwellenwert überschreitet, nach dem der ARTXP-Algorithmus Vorhersagen unterdrückt. Der Standardwert ist 1. Hinweis: Dieser Parameter gilt nicht für Modelle, die nur ARIMA verwenden. Der Standardwert von 1 stellt das gleiche Verhalten wie in SQL Server 2005 bereit. Analysis Services überwacht die normalisierte Standardabweichung für jede Vorhersage. Sobald dieser Wert den Schwellenwert für jede Vorhersage überschreitet, gibt der Zeitreihenalgorithmus einen NULL-Wert zurück und stoppt den Vorhersagevorgang. Der Wert 0 stoppt die Instabilitätserkennung. Dies bedeutet, dass Sie unabhängig von der Varianz eine unendliche Anzahl von Vorhersagen erstellen können. Hinweis: Dieser Parameter kann nur in SQL Server Enterprise geändert werden. In SQL Server Standard verwendet Analysis Services nur den Standardwert 1.
MAXIMUM_SERIES_VALUE	Gibt den Maximalwert an, der für Vorhersagen verwendet werden soll. Dieser Parameter wird zusammen mit MINIMUM_SERIES_VALUE verwendet, um die Vorhersagen auf einen erwarteten Bereich zu beschränken. Sie können z. B. angeben, dass die vorhergesagte Verkaufsmenge für jeden Tag niemals die Anzahl der Produkte im Bestand überschreiten soll. Hinweis: Dieser Parameter ist nur in einigen Editionen von SQL Server verfügbar.
MINIMUM_SERIES_VALUE	Gibt den Minimalwert an, der vorhergesagt werden kann. Dieser Parameter wird zusammen mit MAXIMUM_SERIES_VALUE verwendet, um die Vorhersagen auf einen erwarteten Bereich zu beschränken. Sie können z. B. angeben, dass die vorhergesagte Verkaufsmenge niemals eine negative Zahl sein soll. Hinweis: Dieser Parameter ist nur in einigen Editionen von SQL Server verfügbar.
MINIMUM_SUPPORT	Gibt die minimale Anzahl von Zeitsegmenten an, die zum Generieren einer Unterbrechung in jeder Zeitreihenstruktur erforderlich sind. Der Standardwert ist 10.
MISSING_VALUE_SUBSTITUTION	Gibt an, wie Lücken in historischen Daten gefüllt werden. Standardmäßig sind Lücken in Daten nicht zulässig. Wenn Ihre Daten mehrere Datenreihen enthalten, kann die Datenreihe auch keine geklüfteten Kanten aufweisen. Das heißt, alle Reihen sollten die gleichen Anfangs- und Endpunkte aufweisen. Analysis Services verwendet auch den Wert dieses Parameters, um Lücken in neuen Daten zu füllen, wenn Sie ein PREDICTION JOIN Zeitreihenmodell ausführen. In der folgenden Tabelle sind die möglichen Werte für diesen Parameter aufgeführt: Keine: Standard. Ersetzt fehlende Werte durch Werte, die entlang der Kurve des trainierten Modells dargestellt werden. Zurück: Wiederholt den Wert aus dem vorherigen Zeitsegment. Mittelwert: Verwendet einen gleitenden Durchschnitt von Zeitsegmenten, die in der Schulung verwendet werden. Numerische Konstante: Verwendet die angegebene Zahl, um alle fehlenden Werte zu ersetzen.
PERIODICITY_HINT	Stellt einen Hinweis auf den Algorithmus zur Regelmäßigkeit der Daten bereit. Wenn z. B. der Umsatz je nach Jahr variiert und die Maßeinheit in der Datenreihe Monate ist, beträgt die Periodizität 12. Dieser Parameter verwendet das Format von {n [, n]}, wobei n eine beliebige positive Zahl ist. Das 'n' in den Klammern [] ist optional und kann so oft wie nötig wiederholt werden. Um z. B. mehrere Regelmäßigkeitshinweise für monatlich bereitgestellte Daten bereitzustellen, können Sie {12, 3, 1} eingeben, um Muster für das Jahr, das Quartal und den Monat zu erkennen. Die Periodizität wirkt sich jedoch stark auf die Modellqualität aus. Wenn sich der Hinweis, den Sie geben, von der tatsächlichen Periodizität unterscheidet, können Ihre Ergebnisse negativ beeinflusst werden. Der Standardwert lautet {1}. Hinweis: Die geschweiften Klammern sind erforderlich. Außerdem weist dieser Parameter einen Zeichenfolgendatentyp auf. Daher müssen Sie, wenn Sie diesen Parameter als Teil einer Data Mining Extensions (DMX)-Anweisung eingeben, die Nummer und die geschweiften Klammern in Anführungszeichen setzen.
PREDICTION_SMOOTHING	Gibt an, wie das Modell gemischt werden soll, um die Prognose zu optimieren. Dieser Parameter ist nur in einigen Editionen von SQL Server verfügbar. Sie können einen beliebigen Wert zwischen 0 und 1 eingeben oder einen der folgenden Werte verwenden: 0: Gibt an, dass die Vorhersage nur ARTXP verwendet. Die Prognose ist für weniger Vorhersagen optimiert. 0.5: (Standard) Gibt an, dass für die Vorhersage beide Algorithmen verwendet und die Ergebnisse gemischt werden sollen. 1: Gibt an, dass die Vorhersage nur ARIMA verwendet. Die Prognosetechnik ist für unterschiedliche Vorhersagen optimiert. Hinweis: Verwenden Sie den parameter FORECAST_METHOD , um die Schulung zu steuern.

Modellierung von Flaggen

Der Microsoft Time Series-Algorithmus unterstützt die folgenden Modellierungskennzeichnungen. Wenn Sie die Miningstruktur oder das Miningmodell erstellen, definieren Sie Modellierungskennzeichnungen, um anzugeben, wie Werte in jeder Spalte während der Analyse behandelt werden. Weitere Informationen finden Sie unter Modeling Flags (Data Mining).

Modellierungsflagge	BESCHREIBUNG
NICHT NULL	Gibt an, dass die Spalte keinen Nullwert enthalten kann. Ein Fehler führt dazu, dass Analysis Services während der Modellschulung auf einen Nullwert stößt. Gilt für die Spalten von Miningstrukturen.
N/A (No improvements necessary unless context provides a translatable equivalent requiring alteration).	Bedeutet, dass die Spalte mit zwei möglichen Zuständen behandelt wird: Fehlender und vorhandener Zustand. Ein Nullwert ist ein fehlender Wert. Gilt für Miningmodellspalten.

Anforderungen

Ein Zeitreihenmodell muss eine Schlüsselzeitspalte enthalten, die eindeutige Werte, Eingabespalten und mindestens eine vorhersagbare Spalte enthält.

Eingabe- und vorhersagbare Spalten

Der Microsoft Time Series-Algorithmus unterstützt die spezifischen Inhaltstypen für Eingabespalten, vorhersagbare Spalteninhaltstypen und Modellierungskennzeichnungen, die in der folgenden Tabelle aufgeführt sind.

Kolumne	Inhaltstypen
Eingabeattribute	Fortlaufend,Schlüssel, Schlüsselzeit und Tabelle
Vorhersehbares Attribut	Fortlaufend, Tabelle

Hinweis

Zyklische und sortierte Inhaltstypen werden unterstützt, der Algorithmus behandelt sie jedoch als diskrete Werte und führt keine spezielle Verarbeitung durch.

Siehe auch

Microsoft ZeitreihenalgorithmusAbfragemodelle für ZeitreihenInhalt von Miningmodellen für Zeitreihen (Analyse-Dienste - Data Mining)