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.
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
Geri Bildirim
https://aka.ms/ContentUserFeedback.
Çok yakında: 2024 boyunca, içerik için geri bildirim mekanizması olarak GitHub Sorunları’nı kullanımdan kaldıracak ve yeni bir geri bildirim sistemiyle değiştireceğiz. Daha fazla bilgi için bkz.Gönderin ve geri bildirimi görüntüleyin