series_decompose_forecast()
Perkiraan berdasarkan dekomposisi seri.
Menganggap ekspresi yang berisi seri (larik numerik dinamis) sebagai input, dan memprediksi nilai titik terakhir berikutnya. Untuk informasi selengkapnya, lihat series_decompose().
Sintaks
series_decompose_forecast(
Seri,
Poin,
[ Musiman,
Tren,
Seasonality_threshold ])
Pelajari selengkapnya tentang konvensi sintaksis.
Parameter
Nama | Jenis | Diperlukan | Deskripsi |
---|---|---|---|
Seri | dynamic |
✔️ | Array nilai numerik, biasanya output yang dihasilkan dari operator make-series atau make_list . |
Poin | int |
✔️ | Menentukan jumlah titik di akhir seri untuk diprediksi, atau prakiraan. Poin-poin ini dikecualikan dari pembelajaran, atau regresi, proses. |
Musiman | int |
Mengontrol analisis musiman. Nilai yang mungkin adalah: - -1 : Otomatisdeteksi musiman menggunakan series_periods_detect. Ini adalah nilai default.- Periode: Bilangan bulat positif yang menentukan periode yang diharapkan dalam jumlah bin. Misalnya, jika seri berada dalam 1 - h bin, periode mingguan adalah 168 bin.- 0 : Tidak ada musiman, jadi lewati ekstraksi komponen ini. |
|
Tren | string |
Mengontrol analisis tren. Nilai yang mungkin adalah: - avg : Tentukan komponen tren sebagai average(x) . Ini adalah default.- linefit : Ekstrak komponen tren menggunakan regresi linier.- none : Tidak ada tren, jadi lewati ekstraksi komponen ini. |
|
Seasonality_threshold | real |
Ambang batas untuk skor musiman saat Seasonality diatur ke autodetect. Ambang skor default adalah 0,6. Untuk informasi selengkapnya, lihat series_periods_detect. |
Mengembalikan
Larik dinamis dengan perkiraan seri.
Catatan
- Larik dinamis dari seri input asli harus menyertakan jumlah slot titik yang akan diperkirakan. Perkiraan ini biasanya dilakukan dengan menggunakan make-series dan menentukan waktu akhir dalam rentang yang mencakup rentang waktu yang akan diperkirakan.
- Baik musiman maupun tren harus diaktifkan, jika tidak, fungsinya berlebihan, dan hanya menampilkan seri yang diisi dengan angka nol.
Contoh
Dalam contoh berikut, kami membuat deretan empat minggu dalam rentang jam, dengan musiman mingguan dan tren kenaikan kecil. Lalu, kami menggunakan make-series
dan menambahkan minggu kosong lainnya ke seri tersebut. series_decompose_forecast
disebut dengan minggu (24*7 titik), dan otomatis mendeteksi musiman dan tren, serta membuat perkiraan periode 5 minggu secara keseluruhan.
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
Saran dan Komentar
https://aka.ms/ContentUserFeedback.
Segera hadir: Sepanjang tahun 2024 kami akan menghentikan penggunaan GitHub Issues sebagai mekanisme umpan balik untuk konten dan menggantinya dengan sistem umpan balik baru. Untuk mengetahui informasi selengkapnya, lihat:Kirim dan lihat umpan balik untuk