series_decompose_forecast()
Prognoza oparta na dekompozycji serii.
Przyjmuje wyrażenie zawierające serię (dynamiczną tablicę liczbową) jako dane wejściowe i przewiduje wartości ostatnich punktów końcowych. Aby uzyskać więcej informacji, zobacz series_decompose.
Składnia
series_decompose_forecast(
Serii,
Punktów,
[ Sezonowość,
Trend,
Seasonality_threshold ])
Dowiedz się więcej o konwencjach składniowych.
Parametry
Nazwa | Typ | Wymagane | Opis |
---|---|---|---|
Seria | dynamic |
✔️ | Tablica wartości liczbowych, zazwyczaj wynikowych danych wyjściowych operatorów make-series lub make_list . |
Punktów | int |
✔️ | Określa liczbę punktów na końcu serii do przewidywania lub prognozowania. Te punkty są wykluczone z procesu uczenia się lub regresji. |
Sezonowości | int |
Kontroluje analizę sezonową. Możliwe wartości są następujące: - -1 : Automatyczna sezonowość przy użyciu series_periods_detect. Jest to wartość domyślna.- Okres: dodatnia liczba całkowita określająca oczekiwany okres w liczbie pojemników. Jeśli na przykład seria znajduje się w 1 - h pojemnikach, cotygodniowy okres wynosi 168 pojemników.- 0 : brak sezonowości, więc pomiń wyodrębnianie tego składnika. |
|
Trend | string |
Steruje analizą trendów. Możliwe wartości są następujące: - avg : Zdefiniuj składnik trendu jako average(x) . Jest to opcja domyślna.- linefit : wyodrębnianie składnika trendu przy użyciu regresji liniowej.- none : Brak trendu, więc pomiń wyodrębnianie tego składnika. |
|
Seasonality_threshold | real |
Próg oceny sezonowości, gdy sezonowość jest ustawiona na autowykrywanie. Domyślny próg oceny to 0,6. Aby uzyskać więcej informacji, zobacz series_periods_detect. |
Zwraca
Tablica dynamiczna z prognozowaną serią.
Uwaga
- Tablica dynamiczna oryginalnej serii wejściowej powinna zawierać kilka punktów , które mają być prognozowane. Prognoza jest zwykle wykonywana przy użyciu serii make i określania czasu zakończenia w zakresie obejmującym przedział czasu do prognozowania.
- Należy włączyć sezonowość lub trend, w przeciwnym razie funkcja jest nadmiarowa i zwraca serię wypełnioną zerami.
Przykład
W poniższym przykładzie generujemy serię czterech tygodni w ziarnie godzinowym, z cotygodniową sezonowością i małym trendem w górę. Następnie użyjemy make-series
i dodamy kolejny pusty tydzień do serii. series_decompose_forecast
jest wywoływana z tygodniem (24*7 punktów) i automatycznie wykrywa sezonowość i trend oraz generuje prognozę całego pięciotygodniowego okresu.
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
Opinia
https://aka.ms/ContentUserFeedback.
Dostępne już wkrótce: W 2024 r. będziemy stopniowo wycofywać zgłoszenia z serwisu GitHub jako mechanizm przesyłania opinii na temat zawartości i zastępować go nowym systemem opinii. Aby uzyskać więcej informacji, sprawdź:Prześlij i wyświetl opinię dla