TimeSeriesCatalog Klasa

Definicja

Przestrzeń nazw:

Microsoft.ML

Zestaw:

Microsoft.ML.TimeSeries.dll

Pakiet:

Microsoft.ML.TimeSeries v3.0.1

public static class TimeSeriesCatalog

type TimeSeriesCatalog = class

Public Module TimeSeriesCatalog

Dziedziczenie

Object

TimeSeriesCatalog

Metody

DetectAnomalyBySrCnn(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, Int32, Double)	Utwórz SrCnnAnomalyEstimatormetodę , która wykrywa anomalie czasowe przy użyciu algorytmu SRCNN.
DetectChangePointBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)	Utwórz SsaChangePointEstimatorelement , który przewiduje punkty zmian w szeregach czasowych przy użyciu analizy pojedynczego spektrum (SSA).
DetectChangePointBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)	Przestarzałe. Utwórz SsaChangePointEstimatorelement , który przewiduje punkty zmian w szeregach czasowych przy użyciu analizy pojedynczego spektrum (SSA).
DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, Double, Int32, Double, SrCnnDetectMode)	Utwórz Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetectormetodę , która wykrywa anomalie czasowe dla całych danych wejściowych przy użyciu algorytmu SRCNN.
DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, SrCnnEntireAnomalyDetectorOptions)	Utwórz Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetectormetodę , która wykrywa anomalie czasowe dla całych danych wejściowych przy użyciu algorytmu SRCNN.
DetectIidChangePoint(TransformsCatalog, String, String, Double, Int32, MartingaleType, Double)	Utwórz IidChangePointEstimatorobiekt , który przewiduje punkty zmian w niezależnie rozproszonych (i.i.d.) szeregów czasowych opartych na szacowaniach gęstości jądra adaptacyjnego i wynikach martingale.
DetectIidChangePoint(TransformsCatalog, String, String, Int32, Int32, MartingaleType, Double)	Przestarzałe. Utwórz IidChangePointEstimatorobiekt , który przewiduje punkty zmian w niezależnie rozproszonych (i.i.d.) szeregów czasowych opartych na szacowaniach gęstości jądra adaptacyjnego i wynikach martingale.
DetectIidSpike(TransformsCatalog, String, String, Double, Int32, AnomalySide)	Utwórz IidSpikeEstimatorelement , który przewiduje wzrosty liczby niezależnych, identycznych rozproszonych (i.i.d.) szeregów czasowych opartych na szacowaniach adaptacyjnej gęstości jądra i wynikach martingale.
DetectIidSpike(TransformsCatalog, String, String, Int32, Int32, AnomalySide)	Przestarzałe. Utwórz IidSpikeEstimatorelement , który przewiduje wzrosty liczby niezależnych, identycznych rozproszonych (i.i.d.) szeregów czasowych opartych na szacowaniach adaptacyjnej gęstości jądra i wynikach martingale.
DetectSeasonality(AnomalyDetectionCatalog, IDataView, String, Int32, Double)	W danych szeregów czasowych sezonowość (lub okresowość) to obecność odmian występujących w określonych regularnych odstępach czasu, takich jak cotygodniowe, miesięczne lub kwartalne. Ta metoda wykrywa ten przewidywalny interwał (lub okres) przy użyciu technik analizy czteroletniej. Przy założeniu, że wartości wejściowe mają ten sam interwał czasu (np. dane czujnika zbierane co sekundę uporządkowane według sygnatur czasowych), ta metoda przyjmuje listę danych szeregów czasowych i zwraca regularny okres dla danych sezonowych danych wejściowych, jeśli można znaleźć przewidywalne wahania lub wzorzec, które powtarzają się lub powtarzają w tym okresie przez całe wartości wejściowe. Zwraca wartość -1, jeśli nie znaleziono takiego wzorca, czyli wartości wejściowe nie są zgodne z sezonowymi wahaniami.
DetectSpikeBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, AnomalySide, ErrorFunction)	Utwórz SsaSpikeEstimatorelement , który przewiduje skoki szeregów czasowych przy użyciu analizy pojedynczego spektrum (SSA).
DetectSpikeBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, AnomalySide, ErrorFunction)	Przestarzałe. Utwórz SsaSpikeEstimatorelement , który przewiduje skoki szeregów czasowych przy użyciu analizy pojedynczego spektrum (SSA).
ForecastBySsa(ForecastingCatalog, String, String, Int32, Int32, Int32, Int32, Boolean, Single, RankSelectionMethod, Nullable<Int32>, Nullable<Int32>, Boolean, Boolean, Nullable<GrowthRatio>, String, String, Single, Boolean)	Model analizy pojedynczego spektrum (SSA) na potrzeby jednowariowych prognozowania szeregów czasowych. Aby uzyskać szczegółowe informacje o modelu, zobacz http://arxiv.org/pdf/1206.6910.pdf.
LocalizeRootCause(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)	Utwórz RootCauseelement , który lokalizuje główne przyczyny przy użyciu algorytmu drzewa decyzyjnego.
LocalizeRootCauses(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)	Zwraca uporządkowaną listę s RootCause. Kolejność odpowiada, która przygotowana przyczyna najprawdopodobniej jest główną przyczyną.