Badanie Model serii czas (Analysis Services - wyszukiwania danych)
Podczas tworzenia kwerendy danych model wyszukiwania, można utworzyć albo zawartości kwerendę, która zawiera szczegółowe informacje dotyczące wzorców wykryte w analizie, lub można utworzyć kwerendę przewidywanie używa desenie w modelu, aby prognoz dla nowych danych.Na przykład kwerendy zawartości dla czas model serii może dostarczać dodatkowe szczegóły dotyczące okresowych struktur, które zostały wykryte podczas kwerendy przewidywanie może dać prognoz dla następnego 5-10 czas plasterków.Aby pobrać metadane dotyczących modelu kwerendy.
W tej sekcji wyjaśniono, jak utworzyć oba rodzaje kwerend dla modeli, które są oparte na algorytm serii czasowych firmy Microsoft.
Kwerendy zawartości
Pobieranie okresowość wskazówki dla modelu
Pobieranie równanie ARIMA Model
Pobieranie równanie ARTxp Model
Przewidywania kwerend
Opis kiedy należy zastąpić i kiedy należy rozszerzyć czasu serie danych
Tworzenie prognoz z EXTEND_MODEL_CASES
Tworzenie prognoz z REPLACE_MODEL_CASES
Brak podstawiania wartości w modelach serii czasu
Pobieranie informacji o modelu szeregu czasowego
Model kwerendy zawartości zapewnia podstawowe informacje o modelu, takie jak parametry, które były używane podczas tworzenia modelu, czas ostatniego przetworzenia modelu.Poniższy przykład ilustruje podstawową składnię kwerendy zawartości modelu przy użyciu zestawów wierszy schematu wyszukiwanie danych.
Przykładowa kwerenda 1: Pobieranie okresowość wskazówki dla modelu
Można pobrać terminy, które zostały znalezione w czas serii przez badanie drzewa ARIMA lub drzewo ARTXP.Jednakże terminy w modelu ukończone nie może być taki sam, jak okresy określone jako wskazówki podczas tworzenia modelu.Pobrać wskazówek, które zostały dostarczone jako parametry podczas tworzenia modelu, mogą wysyłać kwerendy zawartości modelu górnictwa zestaw zestaw wierszy schematu za pomocą następującej instrukcja DMX:
SELECT MINING_PARAMETERS
FROM $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = '<model name>'
Wyniki częściowe:
MINING_PARAMETERS |
|---|
COMPLEXITY_PENALTY = 0,1, MINIMUM_SUPPORT = 10, PERIODICITY_HINT = {1,3} …. |
Wskazówka okresowości domyślnej {1} i pojawia się we wszystkich modelach; dodatkowe wskazówki dotyczącej może nie być obecny w końcowym modelu został utworzony ten model próbki.
Ostrzeżenie
Wyniki zostały obcięte tutaj dla czytelności.
Powrót do początku
Przykładowa kwerenda 2: Pobieranie równanie ARIMA Model
Równanie dla modelu ARIMA można pobrać przez dowolny węzeł w drzewie indywidualne badanie.Należy pamiętać, że każdego drzewa modelu ARIMA reprezentuje różne okresowość, w przypadku wielu serii danych każdej serii danych ma własny zestaw okresowość drzew.Dlatego do pobierania równanie serii danych należy zidentyfikować drzewa najpierw.
Na przykład prefiks TA informuje, że węzeł jest część drzewa ARIMA prefiks usług terminalowych jest stosowana dla drzew ARTXP.Wykonywanie kwerendy zawartości modelu dla węzłów z wartością NODE_TYPE 27 można znaleźć wszystkie ARIMA katalogu głównego drzewa.Wartość ATTRIBUTE_NAME można również znaleźć węzła głównego ARIMA serii danych.W tym przykładzie kwerendy znajdzie węzłów ARIMA, które reprezentują ilości sprzedanych w Europie modelu R250 region.
SELECT NODE_UNIQUE_NAME
FROM Forecasting.CONTENT
WHERE ATTRIBUTE_NAME = 'R250 Europe: Quantity"
AND NODE_TYPE = 27
Za pomocą tego Identyfikatora węzła, można pobrać szczegółowe informacje o ARIMA równanie tego drzewa.Poniższa instrukcja DMX pobiera krótkiej formy ARIMA równanie serii danych.Pobiera również punktu przecięcia z tabela zagnieżdżonej NODE_DISTRIBUTION.W tym przykładzie równanie jest uzyskiwana przez odwoływanie się do węzła unikatowy identyfikator TA00000007.Jednak może być konieczne użycie Identyfikatora innego węzła i uzyskaniu nieco inny wyniki z modelu.
SELECT FLATTENED NODE_CAPTION as [Short equation],
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE
FROM NODE_DISTRIBUTION) as t
FROM Forecasting.CONTENT
WHERE NODE_NAME = 'TA00000007'
Przykład wyniki:
Równanie krótka |
t.ATTRIBUTE_NAME |
t.ATTRIBUTE_VALUE |
|---|---|---|
ARIMA (2,0,7)x(1,0,2)(12) |
R250 Europe:Quantity(Intercept) |
15.24…. |
ARIMA (2,0,7)x(1,0,2)(12) |
R250 Europe:Quantity(Periodicity) |
1 |
ARIMA (2,0,7)x(1,0,2)(12) |
R250 Europe:Quantity(Periodicity) |
12 |
Aby uzyskać więcej informacji na temat zinterpretować te informacje, zobacz Model zawartości dla serii czas modeli górnictwo (Analysis Services - wyszukiwania danych).
Powrót do początku
Przykładowa kwerenda 3: Pobieranie równanie ARTXP Model
W przypadku modelu ARTxp różne informacje są przechowywane na każdym poziom drzewa.Aby uzyskać więcej informacji na temat struktury modelu ARTxp i jak interpretuje informacji w równaniu Zobacz Model zawartości dla serii czas modeli górnictwo (Analysis Services - wyszukiwania danych).
Poniższa instrukcja DMX pobiera część drzewa ARTxp, która reprezentuje ilość sprzedaży dla modelu R250 w Europie.
Ostrzeżenie
Nazwa kolumna tabela zagnieżdżonej WARIANCJI, muszą być ujęte w nawiasy, aby odróżnić go od zastrzeżonego słowa kluczowego o tej samej nazwie.Kolumny tabela zagnieżdżonej, prawdopodobieństwa i pomocy technicznej, nie są włączone, ponieważ są one puste, w większości przypadków.
SELECT NODE_CAPTION as [Split information],
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE,
[VARIANCE]
FROM NODE_DISTRIBUTION) AS t
FROM Forecasting.CONTENT
WHERE NODE_ATTRIBUTE_NAME = 'R250 Europe:Quantity'
AND NODE_TYPE = 15
Aby uzyskać więcej informacji na temat zinterpretować te informacje, zobacz Model zawartości dla serii czas modeli górnictwo (Analysis Services - wyszukiwania danych).
Powrót do początku
Tworzenie prognoz na Model serii czasu
Począwszy od SQL Server 2008 Enterprise, można dodać nowe dane do czas serii modelu i automatycznie dołączyć nowe dane do modelu.Dodawanie nowych danych do czas model górnictwo serii na dwa sposoby:
Użyj PREDICTION JOIN do przyłączenia się dane zewnętrzne źródło do danych szkolenia.
Umożliwia uzyskanie danych jeden plasterek na kwerendy przewidywanie singleton czas.Informacje o tworzeniu kwerendy przewidywanie singleton, zobacz Tworzenie kwerend przewidywania DMX.
Opis kiedy należy zastąpić i kiedy należy rozszerzyć czasu serie danych
Podczas dodawania nowych danych do czas model serii można określić, czy rozszerzania lub zamiany danych szkolenie:
Jeśli rozszerzenie danych, Usługi Analysis Services dodaje nowe dane na końcu istniejącego dane szkolenia.Zwiększa się liczba przypadków szkolenia.Rozszerzanie modelu przypadków jest przydatne przy stale aktualizowania modelu nowymi danymi.Na przykład, jeśli chcesz wprowadzić szkolenia wzrost zestawu czas, po prostu byłoby rozszerzenie modelu.
Rozszerzenie danych, tworzenie PREDICTION JOIN na czas wzór serii, określ źródło danych nowej i korzystać z EXTEND_MODEL_CASES argumentu.
Jeśli zamienić dane, Usługi Analysis Services zachowuje przeszkolony modelu, ale używa nowych danych do zastąpienia niektórych lub wszystkich istniejących szkolenia przypadkach.Dlatego nigdy nie zmienia się rozmiar danych szkolenia, ale same przypadkach są stale zastępowane nowsze dane.Jeśli podasz wystarczającej ilości danych nowe dane szkolenia można zastąpić całkowicie nową serię.
Zastępowanie przypadkach model jest również przydatny, gdy chcesz szkolić modelu na jeden zbiór przypadkach, a następnie zastosować modelu do różnych serii danych.Aby zamienić dane, należy utworzyć PREDICTION JOIN na czas wzór serii, określ źródło danych nowej i korzystać z REPLACE_MODEL_CASES argumentu.
Ostrzeżenie
Nie można wprowadzać historycznych prognoz podczas dodawania nowych danych.
Niezależnie od rozszerzenia czy zamienić dane szkolenia, przewidywania zawsze rozpoczynać czas pieczęć kończącej oryginalny zestaw szkoleń.Innymi słowy jeśli zawiera nowe dane n czas plasterków, a żądanie prognoz dla czas kroki od 1 do n, przewidywania będzie zbiegać się z tego samego okresu nowych danych.Uzyskanie nowych prognoz dla czas okresy nie objęte danych, należy albo uruchomić prognoz na czas plasterka n + 1 po nowej serii danych lub upewnij się że żądać dodatkowych czas plasterki.
Na przykład załóżmy, że istniejący model zawiera sześć miesięcy nadaje dane.Chcesz rozszerzyć ten model przez dodanie wartości sprzedaży z ostatnich trzech miesięcy.W tym samym czas, dokonać przewidywanie dotyczące następnych miesięcy.Aby uzyskać tylko nowych przewidywań podczas dodawania nowych danych, należy określić punkt początkowy jako czas część 4 i punkt końcowy jako czas część 7.Może również zażądać łącznie sześciu prognoz, ale czas plasterki na pierwsze trzy nałożyłby się nowymi danymi dodany.
Przykłady kwerend oraz więcej informacji o składni za pomocą REPLACE_MODEL_CASES i EXTEND_MODEL_CASES, zobacz PredictTimeSeries (DMX).
Powrót do początku
Tworzenie prognoz z EXTEND_MODEL_CASES
Przewidywania zachowanie różni się w zależności od tego, czy rozszerzenie lub zastąpić przypadkach modelu.Rozszerzenie modelu nowe dane są dołączane do końca serii i rozmiar szkolenia zestaw zwiększa.Jednak czas plasterki używane do przewidywanie kwerend zawsze rozpocząć na koniec pierwotnego serii.Dlatego jeśli dodać trzy nowe punkty danych, a żądanie sześciu prognoz, pierwsze trzy prognoz zwracane nakładania się nowymi danymi.W takim przypadek Usługi Analysis Services zwraca rzeczywiste nowe punkty danych, zamiast dokonywania przewidywanie, dopóki wszystkie nowe punkty danych są używane up.Następnie Usługi Analysis Services sprawia, że przewidywania oparty na złożonych serii.
To zachowanie umożliwia dodawanie nowych danych, a następnie wyświetlać rzeczywiste dane dotyczące sprzedaży na wykresie przewidywanie zamiast wystających elementów.
Na przykład aby dodać trzy nowe punkty danych i prognoz trzy nowe, można byłoby wykonaj następujące czynności:
Tworzenie PREDICTION JOIN na czas serii modelu i określ źródło trzech miesięcy nowe dane.
Żądanie prognoz dla sześciu czas plasterków.Aby to zrobić, należy określić czas 6 częśćs, gdzie punkt początkowy jest czas część 1, a punkt końcowy jest czas część 7.Dotyczy to tylko EXTEND_MODEL_CASES.
Aby uzyskać tylko nowe prognoz, należy określić punkt początkowy jako 4 i punkt końcowy jako 7.
Należy użyć argumentu EXTEND_MODEL_CASES.
Zwracane są rzeczywiste wartooci sprzedaży dla pierwszych trzech czas plasterki i prognoz opartych na modelu rozszerzone są zwracane dla trzech dalej czas plasterków.
Powrót do początku
Tworzenie prognoz z REPLACE_MODEL_CASES
Podczas zastępowania przypadków w modelu rozmiar modelu pozostaje ten sam ale Usługi Analysis Services zastępuje indywidualnych przypadków w modelu.Jest to przydatne do przewidywanie krzyżowych i scenariusze, w których utrzymywanie ważne jest spójny rozmiar zestaw danych szkoleniowych.
Na przykład jeden z magazynów ma niewystarczające dane sprzedaży.Można utworzyć ogólny model poprzez uśrednienie sprzedaży dla wszystkich magazynów w szczególności region i szkolenia zawodowego modelu.Następnie aby prognoz dla magazynu bez wystarczających danych sprzedaży, można utworzyć PREDICTION JOIN na nowe dane sprzedaży dla właśnie tego magazynu.Gdy to zrobisz, Usługi Analysis Services zachowuje wzorców pochodzących z modelu regionalnego, ale zastępuje istniejące przypadkach szkolenia dane z poszczególnych magazynu.W wyniku wartości przewidywanie będzie bliżej linie trend dla poszczególnych magazynu.
Podczas korzystania z REPLACE_MODEL_CASES argument, Usługi Analysis Services stale dodaje nowych przypadków na końcu zestaw przypadek i usuwa odpowiedni numer od początku zestaw liter.Jeśli dodasz więcej nowych danych niż był w oryginalny zestaw szkoleniowy Usługi Analysis Services odrzuca Najwcześniejsza data.Jeśli podasz wystarczające nowe wartości, przewidywania mogą oparte na całkowicie nowe dane.
Na przykład przeszkoleni modelu przypadek zestaw danych, zawierający 1000 wierszy.You then add 100 rows of new data.Usługi Analysis Services drops the first 100 rows from the training set and adds the 100 rows of new data to the end of the set for a total of 1000 rows.Dodać wiersze 1100 nowych danych, używane są tylko ostatnich wierszy 1000.
Oto przykład innego.Dodać trzy nowe miesiąca tego warta danych i tworzenie trzech nowych prognoz, byłoby wykonaj następujące czynności:
Tworzenie PREDICTION JOIN na czas model serii i wykorzystania REPLACE_MODEL_CASE argumentu.
Określ źródło trzy miesiące nowe dane.Dane mogą być z całkowicie innego źródło niż oryginalne dane szkolenia.
Żądanie prognoz dla sześciu czas plasterków.Aby to zrobić, należy określić czas 6 częśćs, lub określić punkt początkowy jako czas część 1 i punktu końcowego jako czas część 7.
Ostrzeżenie
W odróżnieniu od EXTEND_MODEL_CASES, nie może zwracać wartości dodane jako danych wejściowych.Wszystkie sześć wartości zwracane są prognoz opartych na zaktualizowanych modelu, który zawiera zarówno starych i nowych danych.
Ostrzeżenie
Z REPLACE_MODEL_CASES, począwszy od sygnatury czasowej 1 Pobierz nowe prognoz na podstawie nowych danych, które zastępuje stare dane szkolenia.
Przykłady kwerend oraz więcej informacji o składni za pomocą REPLACE_MODEL_CASES i EXTEND_MODEL_CASES, zobacz PredictTimeSeries (DMX).
Powrót do początku
Brak podstawiania wartości w modelach serii czasu
Podczas dodawania nowych danych do czas model serii za pomocą PREDICTION JOIN instrukcja, nowy element dataset nie może mieć żadnych wartości Brak.Jeśli wszelkich serię jest niekompletna, modelu należy podać brakujących wartości przy użyciu null, oznacza numeryczne, szczególnych średnią liczbową lub prognozowanej wartości.Jeśli określisz EXTEND_MODEL_CASES, Usługi Analysis Services zastępuje brakujących wartości z prognoz oparty na modelu oryginalnego.Jeśli używasz REPLACE_MODEL_CASES, Usługi Analysis Services zamienia brakujących wartości na wartość określona w MISSING_VALUE_SUBSTITUTION parametru.
Lista funkcje prognozowania
Wszystkie Microsoft obsługę algorytmów wspólny zestaw funkcji.Jednakże Microsoft algorytm szeregu czasowego obsługuje dodatkowe funkcje wymienione w poniższej tabela.
Zwraca liczbę czas plasterki między datą obecnego przypadek i Data ostatniej zestaw szkoleniowy. Typowym zastosowaniem tej funkcja jest zidentyfikowanie ostatnich przypadkach szkolenia tak, aby szczegółowe dane o przypadkach można pobierać. |
|
Zwraca identyfikator węzła dla określonej przewidywalna kolumna. Typowym zastosowaniem tej funkcja jest zidentyfikowanie węzeł, który jest generowany określonego prognozowanej wartości tak, aby przejrzeć przypadkach skojarzony węzeł, równania i inne szczegóły. |
|
Zwraca odchylenie standardowe prognoz określonego przewidywalna kolumna. Ta funkcja zastępuje argument INCLUDE_STATISTICS nie jest obsługiwana dla czas modele serii. |
|
Zwraca wariancję prognoz dla określonej przewidywalna kolumna. Ta funkcja zastępuje argument INCLUDE_STATISTICS nie jest obsługiwana dla czas modele serii. |
|
Zwraca przewidywane historycznych lub przyszłych wartości czas serii danych. Można również sprawdzać czas modeli serii za pomocą funkcja ogólne przewidywanie Przewidywanie (DMX). |
Aby uzyskać listę funkcji, które są wspólne dla wszystkich Microsoft algorytmy, zobacz Mapowanie funkcji kwerendy typów (DMX).Aby składni określonych funkcji, zobacz Odwołanie do funkcji rozszerzenia górnictwa (DMX) danych.
Powrót do początku