Zaman Serisi Modeli Sorgu Örnekleri

Şunlar için geçerlidir: SQL Server 2019 ve önceki Analysis Services Azure Analysis Services Fabric/Power BI Premium

Önemli

Veri madenciliği SQL Server 2017 Analysis Services'da kullanım dışı bırakıldı ve artık SQL Server 2022 Analysis Services'da sonlandırıldı. Kullanım dışı bırakılan ve kullanımdan kaldırılan özellikler için belgeler güncelleştirilmez. Daha fazla bilgi edinmek için bkz. Analysis Services eski sürüm uyumluluğu.

Veri madenciliği modeline yönelik bir sorgu oluşturduğunuzda, analizde bulunan desenlerle ilgili ayrıntıları sağlayan bir içerik sorgusu oluşturabilir veya modeldeki desenleri kullanarak yeni veriler için tahminler yapan bir tahmin sorgusu oluşturabilirsiniz. Örneğin, bir zaman serisi modeline yönelik içerik sorgusu algılanan düzenli yapılar hakkında ek ayrıntılar sağlarken, tahmin sorgusu size sonraki 5-10 zaman dilimleri için tahminler verebilir. Sorgu kullanarak model hakkındaki meta verileri de alabilirsiniz.

Bu bölümde, Microsoft Time Series algoritmasını temel alan modeller için her iki tür sorgunun nasıl oluşturulacağı açıklanmaktadır.

İçerik Sorguları

Model için Dönemsellik İpuçlarıNı Alma

ARIMA Modeli için bir denklemi elde etme

ARTxp Modeli'nin denklemini çekme

Tahmin Sorguları

Zaman Serisi Verilerinin Ne Zaman Değiştirilip Ne Zaman Genişletilcesini Anlama

EXTEND_MODEL_CASES ile TahminLerde Bulunma

REPLACE_MODEL_CASES ile TahminLerde Bulunma

Zaman Serisi Modellerinde Eksik Değer Değişimi

Zaman Serisi Modeli Hakkında Bilgi Alma

Model içerik sorgusu model hakkında, model oluşturulurken kullanılan parametreler, modelin son işlenme zamanı gibi temel bilgileri sağlayabilir. Aşağıdaki örnekte, veri madenciliği şema satır kümelerini kullanarak model içeriğini sorgulamaya yönelik temel söz dizimi gösterilmektedir.

Örnek Sorgu 1: Model için Düzenlilik İpuçları Alma

ARIMA ağacını veya ARTXP ağacını sorgulayarak zaman serisi içinde bulunan dönemsellikleri alabilirsiniz. Ancak, tamamlanan modeldeki dönemsellikler, modeli oluştururken ipuçları olarak belirttiğiniz dönemlerle aynı olmayabilir. Modeli oluştururken parametre olarak sağlanan ipuçlarını almak için aşağıdaki DMX deyimini kullanarak araştırma modeli içerik şeması satır kümesini sorgulayabilirsiniz:

SELECT MINING_PARAMETERS   
FROM $system.DMSCHEMA_MINING_MODELS  
WHERE MODEL_NAME = '<model name>'  

Kısmi sonuçlar:

MINING_PARAMETERS
COMPLEXITY_PENALTY=0,1,MINIMUM_SUPPORT=10,PERIODICITY_HINT={1,3},....

Varsayılan düzenlilik ipucudur {1} ve tüm modellerde görünür; bu örnek model, son modelde mevcut olmayabilecek ek bir ipucuyla oluşturulmuştur.

Uyarı

Okunabilirlik için sonuçlar burada kısaltılmıştır.

Örnek Sorgu 2: ARIMA Modeli denklemini elde etme

Tek bir ağaçtaki herhangi bir düğümü sorgulayarak ARIMA modelinin denklemini alabilirsiniz. BIR ARIMA modeli içindeki her ağacın farklı bir dönemselliği temsil ettiğini ve birden çok veri serisi varsa, her veri serisinin kendi düzenlilik ağaçları kümesine sahip olacağını unutmayın. Bu nedenle, belirli bir veri serisinin denklemini almak için önce ağacı tanımlamanız gerekir.

Örneğin, TA ön eki düğümün ARIMA ağacının parçası olduğunu, TS ön eki ise ARTXP ağaçları için kullanıldığını söyler. NODE_TYPE değeri 27 olan düğümler için model içeriğini sorgulayarak tüm ARIMA kök ağaçlarını bulabilirsiniz. Ayrıca, belirli bir veri serisinin ARIMA kök düğümünü bulmak için ATTRIBUTE_NAME değerini de kullanabilirsiniz. Bu sorgu örneği, Avrupa bölgesinde R250 modelinin satılan miktarlarını temsil eden ARIMA düğümlerini bulur.

SELECT NODE_UNIQUE_NAME  
FROM Forecasting.CONTENT  
WHERE ATTRIBUTE_NAME = 'R250 Europe: Quantity"  
AND NODE_TYPE = 27  

Bu düğüm kimliğini kullanarak, bu ağaç için ARIMA denklemi hakkındaki ayrıntıları alabilirsiniz. Aşağıdaki DMX deyimi, veri serisi için ARIMA denkleminin kısa biçimini alır. Ayrıca, iç içe tablo NODE_DISTRIBUTION’dan kesişimi alır. Bu örnekte denklem, TA00000007 benzersiz düğüm kimliği referans alınarak elde edilir. Ancak farklı bir düğüm kimliği kullanmanız gerekebilir ve modelinizden biraz farklı sonuçlar alabilirsiniz.

SELECT FLATTENED NODE_CAPTION as [Short equation],   
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE   
FROM NODE_DISTRIBUTION) as t  
FROM Forecasting.CONTENT  
WHERE NODE_NAME = 'TA00000007'  

Örnek sonuçlar:

Kısa denklem	t.ATTRIBUTE_NAME	t.ATTRIBUTE_VALUE
ARIMA (2,0,7)x(1,0,2)(12)	R250 Europe:Miktar(Kesişim)	15.24....
ARIMA (2,0,7)x(1,0,2)(12)	R250 Europe:Quantity(Dönemsellik)	1
ARIMA (2,0,7)x(1,0,2)(12)	R250 Europe:Miktar(Periyodiklik)	12

Bu bilgileri yorumlama hakkında daha fazla bilgi için bkz . Zaman Serisi Modelleri için Madencilik Modeli İçeriği (Analysis Services - Veri Madenciliği).

Örnek Sorgu 3: ARTXP Modeli denklemini elde etme

ARTxp modeli için, ağacın her düzeyinde farklı bilgiler depolanır. ARTxp modelinin yapısı ve denklemdeki bilgilerin nasıl yorumlanması hakkında daha fazla bilgi için bkz . Zaman Serisi Modelleri için Madencilik Modeli İçeriği (Analysis Services - Veri Madenciliği).

Aşağıdaki DMX sorgusu, ARTxp ağacının Avrupa'daki R250 modeli için satış miktarını temsil eden bir bölümünü getirir.

Uyarı

İç içe geçmiş tablo sütununun adı olan VARYANS, aynı isme sahip ayrılmış anahtar sözcükten ayırt edilmesi için köşeli parantez içine alınmalıdır. İç içe tablo sütunları olan OLASıLıK ve DESTEK, çoğu durumda boş olduğundan dahil değildir.

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  

Bu bilgileri yorumlama hakkında daha fazla bilgi için bkz . Zaman Serisi Modelleri için Madencilik Modeli İçeriği (Analysis Services - Veri Madenciliği).

Zaman Serisi Modelinde Tahmin Oluşturma

SQL Server 2008 Enterprise'da başlayarak, bir zaman serisi modeline yeni veriler ekleyebilir ve yeni verileri modele otomatik olarak dahil edebilirsiniz. Zaman serisi incelemesi modeline iki yoldan biriyle yeni veriler eklersiniz:

• Bir dış kaynaktaki verileri eğitim verilerine birleştirmek için PREDICTION JOIN kullanın.

• Her seferinde bir dilim veri sağlamak için tek bir tahmin sorgusu kullanın. Tek tahmin sorgusu oluşturma hakkında bilgi için bkz. Veri Madenciliği Sorgu Araçları.

Değiştirme ve Genişletme İşlemlerinin Davranışını Anlama

Bir zaman serisi modeline yeni veri eklediğinizde, eğitim verilerinin genişletilip genişletilmeyeceğini veya değiştirileceğini belirtebilirsiniz:

• Genişlet -mek: Bir veri serisini genişlettiğiniz zaman, SQL Server Analysis Services yeni verileri mevcut eğitim verilerinin sonuna ekler. Eğitim vakalarının sayısı da artar.

  Model vakalarını genişletmek, modeli yeni verilerle sürekli güncellemek için yararlıdır. Örneğin, eğitim kümesinin zaman içinde büyümesini sağlamak istiyorsanız modeli genişletmeniz yeterlidir.

  Verileri genişletmek için bir zaman serisi modelinde PREDICTION JOIN oluşturur, yeni verilerin kaynağını belirtir ve EXTEND_MODEL_CASES bağımsız değişkenini kullanırsınız.

• Değiştirmek: Veri serisindeki verileri değiştirdiğinizde, SQL Server Analysis Services eğitilen modeli tutar, ancak mevcut eğitim olaylarının bazılarını veya tümünü değiştirmek için yeni veri değerlerini kullanır. Bu nedenle, eğitim verilerinin boyutu hiçbir zaman değişmez, ancak vakaların kendileri sürekli olarak daha yeni verilerle yenilenir. Yeterli yeni veri sağlarsanız, eğitim verilerini tamamen yeni bir seriyle değiştirebilirsiniz.

  Model vakalarını değiştirmek, bir dizi vaka üzerinde modeli eğitmek ve ardından bu modeli farklı bir veri serisine uygulamak istediğinizde yararlı olur.

  Verileri değiştirmek için bir zaman serisi modelinde PREDICTION JOIN oluşturur, yeni verilerin kaynağını belirtir ve REPLACE_MODEL_CASES bağımsız değişkenini kullanırsınız.

Uyarı

Yeni veri eklerken geçmişe dönük tahminler yapamazsınız.

Eğitim verilerini genişletmenize veya değiştirmenize bakılmaksızın, tahminler her zaman özgün eğitim kümesini sona erdiren zaman damgasında başlar. Başka bir deyişle, yeni verileriniz n zaman dilimleri içeriyorsa ve 1 ile n arasındaki zaman adımları için tahminler istiyorsanız, tahminler yeni verilerle aynı süreyle çakışacak ve yeni tahmin almayacaksınız.

Yeni verilerle çakışmayan zaman dilimleri için yeni tahminler almak için tahminleri n+1 zaman diliminde başlatmanız veya ek zaman dilimleri istediğinizden emin olmanız gerekir.

Örneğin, mevcut modelde altı aylık veriler olduğunu varsayalım. Son üç aya ait satış rakamlarını ekleyerek bu modeli genişletmek istiyorsunuz. Aynı zamanda, önümüzdeki üç ay hakkında bir tahminde bulunmak istiyorsunuz. Yalnızca yeni verileri eklediğinizde yeni tahminleri almak için başlangıç noktasını zaman dilimi 4, bitiş noktasını ise zaman dilimi 7 olarak belirtin. Toplam altı tahmin de isteyebilirsiniz, ancak ilk üç tahmin için zaman dilimleri yeni eklenen verilerle çakışabilir.

sorgu örnekleri ve REPLACE_MODEL_CASES ve EXTEND_MODEL_CASES kullanma söz dizimi hakkında daha fazla bilgi için bkz. PredictTimeSeries (DMX).

EXTEND_MODEL_CASES ile TahminLerde Bulunma

Tahmin davranışı, model durumlarını genişletmenize veya yerine koymanıza bağlı olarak farklılık gösterir. Modeli genişlettiğiniz zaman, yeni veriler serinin sonuna eklenir ve eğitim kümesinin boyutu artar. Ancak tahmin sorguları için kullanılan zaman dilimleri her zaman özgün serinin sonunda başlar. Bu nedenle, üç yeni veri noktası ekler ve altı tahmin isterseniz, döndürülen ilk üç tahmin yeni verilerle çakışıyor. Bu durumda SQL Server Analysis Services, tüm yeni veri noktaları kullanılana kadar tahmin yapmak yerine gerçek yeni veri noktalarını döndürür. Ardından, SQL Server Analysis Services bileşik seriyi temel alarak tahminler yapar.

Bu davranış, tahminleri görmek yerine yeni veriler eklemenize ve gerçek satış rakamlarınızı tahmin grafiğinde göstermenize olanak tanır.

Örneğin, üç yeni veri noktası eklemek ve üç yeni tahminde bulunmak için aşağıdakileri yaparsınız:

• Zaman serisi modelinde PREDICTION JOIN oluşturun ve üç aylık yeni verilerin kaynağını belirtin.

• Altı zaman dilimi için tahmin isteğinde bulun. Bunu yapmak için başlangıç noktasının zaman dilimi 1, bitiş noktasının ise saat dilimi 7 olduğu 6 saat dilimi belirtin. Bu yalnızca EXTEND_MODEL_CASES için geçerlidir.

• Yalnızca yeni tahminleri almak için başlangıç noktasını 4, bitiş noktasını 7 olarak belirtirsiniz.

• EXTEND_MODEL_CASES bağımsız değişkenini kullanmanız gerekiyor.

  Gerçek satış rakamları ilk üç dilim için, genişletilmiş modeli temel alan tahminler ise sonraki üç dilim için döndürülür.

REPLACE_MODEL_CASES ile TahminLerde Bulunma

Modeldeki durumları değiştirdiğinizde, modelin boyutu aynı kalır, ancak SQL Server Analysis Services modeldeki tek tek durumların yerini alır. Bu, çapraz tahmin ve eğitim veri kümesini tutarlı bir boyutta tutmanın önemli olduğu senaryolar için yararlıdır.

Örneğin, mağazalarınızdan birinde satış verileri yetersiz. Belirli bir bölgedeki tüm mağazaların satışlarını ortalamasını alarak ve ardından modeli eğiterek genel bir model oluşturabilirsiniz. Ardından, yeterli satış verileri olmayan bir mağaza için tahminlerde bulunmak üzere, yalnızca o mağazaya ait yeni satış verilerini kullanarak PREDICTION JOIN oluşturursunuz. Bunu yaptığınızda, SQL Server Analysis Services bölgesel modelden türetilen desenleri tutar, ancak mevcut eğitim örneklerini tek tek depodaki verilerle değiştirir. Sonuç olarak, tahmin değerleriniz tek tek mağazanın eğilim çizgilerine daha yakın olacaktır.

REPLACE_MODEL_CASES bağımsız değişkenini kullandığınızda, SQL Server Analysis Services servis talebi kümesinin sonuna sürekli yeni servis talepleri ekler ve servis talebi kümesinin başından ilgili bir sayıyı siler. Özgün eğitim kümesindekinden daha fazla yeni veri eklerseniz, SQL Server Analysis Services en eski verileri atar. Yeterli yeni değer sağlarsanız, tahminler tamamen yeni verileri temel alabilir.

Örneğin, modelinizi 1000 satır içeren bir servis talebi veri kümesinde eğitmişsinizdir. Ardından 100 satır yeni veri eklersiniz. SQL Server Analysis Services, eğitim kümesinden ilk 100 satırı bırakır ve toplam 1000 satır için kümenin sonuna 100 yeni veri satırı ekler. 1100 satır yeni veri eklerseniz yalnızca en son 1000 satır kullanılır.

Başka bir örnek aşağıda verilmiştir. Üç yeni aylık veri eklemek ve üç yeni tahminde bulunmak için aşağıdaki eylemleri gerçekleştirirsiniz:

• Zaman serisi modelinde PREDICTION JOIN oluşturun ve REPLACE_MODEL_CASE bağımsız değişkenini kullanın.

• Üç aylık yeni verilerin kaynağını belirtin. Bu veriler, özgün eğitim verilerinden tamamen farklı bir kaynaktan olabilir.

• Altı zaman dilimi için tahmin isteğinde bulun. Bunu yapmak için 6 saat dilimi belirtin veya başlangıç noktasını zaman dilimi 1, bitiş noktasını da zaman dilimi 7 olarak belirtin.

  Uyarı

  EXTEND_MODEL_CASES aksine, giriş verileriyle eklediğiniz değerleri döndüremezsiniz. Döndürülen altı değerin tümü, hem eski hem de yeni verileri içeren güncelleştirilmiş modeli temel alan tahminlerdir.

  Uyarı

  REPLACE_MODEL_CASES ile zaman damgası 1'den başlayarak eski eğitim verilerinin yerini alan yeni verilere dayalı yeni tahminler elde edersiniz.

sorgu örnekleri ve REPLACE_MODEL_CASES ve EXTEND_MODEL_CASES kullanma söz dizimi hakkında daha fazla bilgi için bkz. PredictTimeSeries (DMX).

Zaman Serisi Modellerinde Eksik Değer Değişimi

PREDICTION JOIN deyimini kullanarak bir zaman serisi modeline yeni veriler eklediğinizde, yeni veri kümesinde eksik değer bulunamaz. Herhangi bir seri eksikse, modelin null, sayısal ortalama, belirli bir sayısal ortalama veya tahmin edilen değer kullanarak eksik değerleri sağlaması gerekir. EXTEND_MODEL_CASES belirtirseniz, SQL Server Analysis Services eksik değerleri özgün modeli temel alan tahminlerle değiştirir. REPLACE_MODEL_CASES kullanırsanız, SQL Server Analysis Services eksik değerleri MISSING_VALUE_SUBSTITUTION parametresinde belirttiğiniz değerle değiştirir.

Tahmin İşlevleri Listesi

Tüm Microsoft algoritmaları ortak bir işlev kümesini destekler. Ancak, Microsoft Time Series algoritması aşağıdaki tabloda listelenen ek işlevleri destekler.

Tahmin İşlevi	Usage
Gecikme (DMX)	Geçerli vakıanın tarihi ile eğitim veri kümesinin son tarihi arasında bir dizi zaman dilimi döndürür. Bu işlevin tipik bir kullanımı, vakalar hakkında ayrıntılı verileri alabilmeniz için son eğitim vakalarını belirlemektir.
PredictNodeId (DMX)	Belirtilen tahmin edilebilir sütun için düğüm kimliğini döndürür. Bu işlevin tipik bir kullanımı, belirli bir tahmin edilen değeri oluşturan düğümü tanımlamaktır; böylece düğümle ilişkili servis taleplerini gözden geçirebilir veya denklemi ve diğer ayrıntıları alabilirsiniz.
PredictStdev (DMX)	Belirtilen tahmin edilebilir sütundaki tahminlerin standart sapması döndürür. Bu işlev, zaman serisi modelleri için desteklenmeyen INCLUDE_STATISTICS bağımsız değişkeninin yerini alır.
PredictVariance (DMX)	Belirtilen tahmin edilebilir sütun için tahminlerin varyansını döndürür. Bu işlev, zaman serisi modelleri için desteklenmeyen INCLUDE_STATISTICS bağımsız değişkeninin yerini alır.
PredictTimeSeries (DMX)	Bir zaman serisi için tahmin edilen geçmiş değerlerini veya gelecekteki tahmin edilen değerleri döndürür. Zaman serisi modellerini sorgulamak için Tahmin (DMX) genel tahmin işlevini de kullanabilirsiniz.

Tüm Microsoft algoritmaları için ortak olan işlevlerin listesi için bkz. Genel Tahmin İşlevleri (DMX). Belirli işlevlerin söz dizimi için bkz. Veri Madenciliği Uzantıları (DMX) İşlev Başvurusu.

Ayrıca Bkz.

Veri Madenciliği Sorguları
Microsoft Zaman Serisi Algoritması
Microsoft Zaman Serisi Algoritması Teknik Referans
Zaman Serisi Modelleri için Madencilik Modeli İçeriği (Analysis Services - Veri Madenciliği)