series_decompose_forecast()

Seri ayrıştırma temelinde tahmin.

Giriş olarak bir seri (dinamik sayısal dizi) içeren bir ifade alır ve sondaki son noktaların değerlerini tahmin eder. Daha fazla bilgi için bkz . series_decompose.

Sözdizimi

series_decompose_forecast(Seri, Noktaları, [ Mevsimsellik, Eğilimi, Seasonality_threshold ])

Söz dizimi kuralları hakkında daha fazla bilgi edinin.

Parametreler

Ad	Tür	Zorunlu	Açıklama
Silsile	dynamic	✔️	Sayısal değerler dizisi, genellikle make-series veya make_list işleçlerinin elde edilen çıkışıdır.
Nokta	int	✔️	Tahmin veya tahmin için serinin sonundaki nokta sayısını belirtir. Bu noktalar öğrenme veya regresyon sürecinin dışında tutulur.
Seasonality	int		Mevsimsel analizi denetler. Olası değerler: - -1: series_periods_detect kullanarak mevsimselliği otomatik olarak algıla. Bu varsayılan değerdir. - Nokta: Bölme sayısı olarak beklenen dönemi belirten pozitif bir tamsayı. Örneğin, seri bölmeler içindeyse 1 - h haftalık dönem 168 bölmedir. - 0: Mevsimsellik yok, bu nedenle bu bileşeni ayıklamayı atlayın.
Eğilim	string		Eğilim analizini denetler. Olası değerler: - avg: Eğilim bileşenini olarak average(x)tanımlayın. Bu varsayılan seçenektir. - linefit: Doğrusal regresyon kullanarak eğilim bileşenini ayıklayın. - none: Eğilim yok, bu nedenle bu bileşeni ayıklamayı atlayın.
Seasonality_threshold	real		Mevsimsellik otomatik algıla olarak ayarlandığında mevsimsellik puanı eşiği. Varsayılan puan eşiği 0,6'dır. Daha fazla bilgi için bkz . series_periods_detect.

Döndürülenler

Tahmin edilen seriye sahip dinamik bir dizi.

Not

• Özgün giriş serisinin dinamik dizisi, tahmin edilecek bir dizi nokta yuvası içermelidir. Tahmin genellikle make-series kullanılarak ve tahmin edilecek zaman çerçevesini içeren aralıkta bitiş saati belirtilerek yapılır.
• Mevsimsellik veya eğilim etkinleştirilmelidir, aksi takdirde işlev yedeklidir ve yalnızca sıfırlarla dolu bir seri döndürür.

Örnek

Aşağıdaki örnekte, haftalık mevsimsellik ve küçük bir yukarı yönlü eğilim ile saatlik bir tahılda dört haftalık bir dizi oluştururuz. Ardından seriye boş bir hafta daha ekleriz make-series . series_decompose_forecast bir hafta (24*7 puan) ile çağrılır ve mevsimselliği ve eğilimi otomatik olarak algılar ve beş haftalık dönemin tamamı için bir tahmin oluşturur.

Sorguyu çalıştırma

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