saat serisi model sorgulama (Analysis Services - veri madenciliği)
Bir veri araştırma modeli yönelik bir sorgu oluşturduğunuzda, çözümlemesinde keşfedilen desenleri ayrıntılarını sağlayan ya da içerik sorgu oluşturabilir veya desenleri modelde Öngörüler için yeni veri sağlamak için kullanır. tahmin bir sorgu oluşturabilirsiniz.Örneğin, içerik sorgu için bir zaman serisi modeli tahmin sorguda Öngörüler sonraki 5-10 saat dilimleri için size ancak algılandı, dönemsel yapıları hakkında ek bilgi sağlayabilir.Ayrıca, bir sorgulama kullanarak meta veriler modeli hakkında da alabilirsiniz.
Bu bölüm, Microsoft saat Series) algoritmasına dayanan modeller için sorgu her iki tür nasıl oluşturulacağını açıklar.
Içerik sorgular
Model için Periodicity ipuçları alma
Bu denklem bir ARIMA model alınıyor
Bu denklem bir ARTxp model alınıyor
Tahmin sorgular
EXTEND_MODEL_CASES ile yapma Öngörüler
REPLACE_MODEL_CASES ile yapma Öngörüler
Eksik değerleri ile çalışma
saat serisi model üzerinde içerik sorgular
Içerik modeli sorguda, model oluşturulduğunda, model son işlendiği saat kullanılan parametreleri gibi modeli hakkında temel bilgiler sağlar.Aşağıdaki örnekte, veri madenciliği şema Satır kümeleri'ni kullanarak içerik modeli sorgulamak için temel sözdizimi gösterilmiştir.
Başa dön
Örnek sorgu 1: Model için Periodicity ipuçları alma
saat serisi içinde bulunan ARIMA ağaç ya da ARTxp ağacı sorgulayarak periodicities alabilirsiniz.Ancak, periodicities tamamlanmış modelinde, model oluştururken belirttiğiniz ipuçları dönemleri aynı olmayabilir.Model oluşturulduğunda, parametre olarak girildi ipuçları almak için , çıkarma modeli içerik şema satır kümesi kümesi aşağıdaki DMX kullanarak sorgulayabilir deyim:
SELECT MINING_PARAMETERS
FROM $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = '<model name>'
Kısmi sonuçlar:
mining_parameters |
|---|
complexity_penalty = 0,1 (minimum_support = periodicity_hint OLAN 10 {1,3} = …. |
Varsayılan periodicity ipucu {1}, tüm modellerinde görüntülenir; bu örnek modeli son modelinde var olmayabilir, ek bir ipucu ile oluşturuldu.
Not
sonuçlar burada okunabilir olmaları için kesilmiş.
Başa dön
Örnek sorgu 2: Bir ARIMA modeli denklemi alınıyor
Tek bir ağaç içindeki herhangi bir düğümde yeniden sorgulayarak bir ARIMA modeli denklemi alabilirsiniz.Bir ARIMA modelindeki her ağacı, farklı bir periodicity temsil eder ve birden çok veri serisi varsa, her veri serisinden periodicity ağaçlarını küme olacaktır unutmayın.Bu nedenle, belirli bir veri serisi için Denklem almak için konsol ağacında önce tanımlamalısınız.
TS önek ARTXP ağaçlar için kullanılır; oysa gibi TA öneki, düğüm ARIMA ağacının bir parçası olduğunu bildirir.Tüm ARIMA kök ağaçlar, 27 NODE_TYPE değeri olan düğümlerin modeli içeriği sorgulayarak bulabilirsiniz.ATTRIBUTE_NAME değeri, belirli bir veri serisi için ARIMA kök düğümü bulmak için de kullanabilirsiniz.Bu sorgu örneği R250 modelinin Avrupa bölgesindeki satış miktarlarını gösteren ARIMA düğümlerin bulur.
SELECT NODE_UNIQUE_NAME
FROM Forecasting.CONTENT
WHERE ATTRIBUTE_NAME = 'R250 Europe: Quantity"
AND NODE_TYPE = 27
Bu düğüm KIMLIĞI'ni kullanarak, bu ağaç ARIMA denklemi ayrıntılarını alabilirsiniz.Aşağıdaki DMX deyim veri serilerini ARIMA denklemi kısa biçimini alır.Ayrıca kesme noktası NODE_DISTRIBUTION iç içe geçmiş tablosundan alır.Bu örnekte, düğüm başvurarak Denklem alınan benzersiz KIMLIĞI TA00000007.Ancak, bir başka bir düğüm KIMLIĞI'ni kullanmak zorunda kalabilirsiniz ve sizin modelinden biraz farklı sonuçlar elde.
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 bir Denklem |
t.ATTRIBUTE_NAME |
t.ATTRIBUTE_VALUE |
|---|---|---|
(2,0,7)X(1,0,2)(12) ARIMA |
R250 Europe:Quantity(Intercept) |
15.24…. |
(2,0,7)X(1,0,2)(12) ARIMA |
R250 Europe:Quantity(Periodicity) |
1 |
(2,0,7)X(1,0,2)(12) ARIMA |
R250 Europe:Quantity(Periodicity) |
12 |
Bu bilgileri yorumlama hakkında daha fazla bilgi için bkz: araştırma modeli Saat Series modeller için içerik (Analysis Services - veri madenciliği).
Başa dön
Örnek sorgu 3: Bir ARTxp modeli denklemi alınıyor
ARTxp modeli, ağacının her düzeyine bağlı olarak farklı bilgiler depolanır.Yapısını bir ARTxp modeli ve Denklem bilgileri yorumlama hakkında daha fazla bilgi için bkz: araştırma modeli Saat Series modeller için içerik (Analysis Services - veri madenciliği).
Aşağıdaki ifadeyi DMX Bilgi ARTxp ağacının R250 modeli Avrupa'daki satış miktarını temsil eden bir bölümü yer alır.
Not
VARYANSı, iç içe geçmiş tablo sütununun adı aynı ada sahip ayrılmış anahtar sözcük, birbirinden ayırmak için ayraç içine alınması gerekir.Çoğu durumda boş olduğundan, iç içe geçmiş tablo sütunları, OLASıLıK ve Destek, dahil edilmez.
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: araştırma modeli Saat Series modeller için içerik (Analysis Services - veri madenciliği).
Başa dön
saat serisi model üzerinde tahmin sorgular.
Içinde SQL Server 2008 Enterprise, otomatik olarak yeni veri modeli dahil etmek ve bir saat serilerini modeline yeni veri ekleyebilirsiniz. saat serisi için yeni veri eklemek araştırma modeli iki yoldan biriyle:
Kullanım bir PREDICTION JOIN dış kaynak verileri için Eğitim verileri birleştirmek için .
Bir veri sağlamak için tek tahmin sorguda kullanmak dilim bir saat.Bir tek tahmin sorgu oluşturma hakkında daha fazla bilgi için bkz: DMX tahmin sorgular oluşturma.
saat serisi modeline yeni veriler eklediğinizde, genişletmek veya eğitim verileri değiştirmek belirtebilirsiniz:
Verileri genişletmek için Analysis Services Yeni verileri varolan eğitim verilerin sonuna ekler. Eğitim servis taleplerinin sayısını artırır.Model servis taleplerini genişletme modeli yeni verileri sürekli olarak güncelleştirmek için yararlıdır.
Verileri genişletmek için , oluşturduğunuz bir PREDICTION JOIN bir saat serilerini modelini belirtin kaynak kullanın ve yeni verileri EXTEND_MODEL_CASES bağımsız değişken.
Verileri değiştirmek için Analysis Services eğitimli modeli korur, ancak bazı veya tüm varolan eğitim durumlarda değiştirmek için yeni verileri kullanır. Bu nedenle, hiçbir zaman, eğitim verinin boyutunu değiştirir, ancak servis taleplerini kendilerini sürekli yeni verilerle değiştirilir.Eğitim veri ile tamamen yeni bir seri, yeterli yeni veri kaynağı, değiştirebilirsiniz.
Bir model eğitmek istediğiniz servis taleplerini modeli değiştirme yararlıdır küme servis talepleri ve sonra da farklı bir veri serisi için bu modeli uygulayabilirsiniz.
Verileri değiştirmek için , oluşturduğunuz bir PREDICTION JOIN saat serisi modeli, yeni veri kaynağını belirtin ve kullanmak REPLACE_MODEL_CASES bağımsız değişken.
Yeni veriler eklediğinizde, geçmiş Öngörüler yapılamıyor.Ayrıca, genişletmek veya eğitim verileri değiştirmek ne olursa olsun, Öngörüler her saat özgün eğitim kümesi bittiği saat damgası başlar.Bu nedenle, n saat dilimleri yeni verileri içerir ve Öngörüler aracılığıyla n, 1 saat adımları için istek, Öngörüler yeni veri olarak aynı dönem ile çakıştığı.Verilerinizi tarafından kapsanmayan dönemleri için yeni Öngörüler almak için ya da Öngörüler saat başlamalı dilim n + 1 sonra yeni veri serisine veya ek saat dilim s istek emin olun.
Örneğin, varolan modeli altı ay tutulacak veri olduğunu varsayalım.Bu model, son üç ay satış rakamları ekleyerek genişletmek istediğiniz.Aynı anda hakkında gelecek üç ayda bir tahmin yapmak istiyorsunuz.Yeni veri eklediğinizde, yalnızca yeni Öngörüler edinmek için , 7 saat dilimi gibi başlangıç noktası olarak bir zaman dilimi 4 ve bitiş noktası belirtin.Altı Öngörüler toplam istek, ancak saat dilimleri için ilk üç eklemiş yeni verilerle örtüşmesi.
Sorgu örnekleri ve sözdizimini kullanma hakkında daha fazla bilgi için REPLACE_MODEL_CASES ve EXTEND_MODEL_CASES, bkz: PredictTimeSeries (DMX).
Başa dön
EXTEND_MODEL_CASES ile yapma Öngörüler
Tahmin davranışı, genişletmek veya modeli servis taleplerini yerine bağlı olarak farklılık gösterir.Bir model genişlettiğinizde, yeni verileri seriyi sonuna ve eğitim boyutunu ilişik küme artırır.Ancak, saat dilimleri kullanılan için tahmin sorgularını her zaman özgün seriyi sonunda başlar.Bu nedenle, üç yeni veri noktaları eklemek ve altı Öngörüler istemek, ilk üç Öngörüler çakışma yeni veri döndürdü.Bu durum, Analysis Services Yeni veri noktaları kullanılan kadar bir bir tahmin yapmak yerine gerçek yeni veri noktalarını döndürür. Sonra Analysis Services Öngörüler bileşik serisine göre yapar.
Bu davranış, yeni veri eklemek ve sonra tahminler görme yerine tahmin grafik, gerçek satış rakamlarını gösterir sağlar.
Örneğin, üç yeni veri noktaları ekleyip üç yeni Öngörüler hakkında bilgi için aşağıdakileri:
Oluşturma bir PREDICTION JOIN saat serisine modellemek ve belirttiğiniz kaynak üç aylık yeni veri.
Altı saat dilimleri için Öngörüler isteyin.Bunu yapmak için , 6 dilim s başlangıç noktası olduğu saat, saat belirtin dilim 1 bitiş noktası ise saat dilim 7.Bu işlem yalnızca EXTEND_MODEL_CASES için de geçerlidir.
Yalnızca yeni Öngörüler almak için başlangıç noktasını 4 ve bitiş noktası 7 belirtin.
Bağımsız değişken kullanmalısınız EXTEND_MODEL_CASES.
Fiili satış rakamlarını dilimleri ilk üç kez ve genişletilmiş modele dayalı Öngörüler sonraki için döndürülen döndürülen üç dilim saat.
Başa dön
REPLACE_MODEL_CASES ile yapma Öngörüler
Model durumlarda değiştirirken, aynı ancak modeli boyutunu kalır. Analysis Services tek tek servis taleplerini modelinde yerini alır. Bu geçici tahmin ve hangi eğitim veri koruma bulunan senaryolarda yararlıdır küme tutarlı bir boyutta önemlidir.
Örneğin, sizin depoları yetersiz satış verilerini sahip.Belirli bir bölgedeki tüm depoları satışlarını ortalamasını ve sonra da bir modeli eğitim genel model oluşturabilirsiniz.Ardından, yeterli satış veri deposunun Öngörüler yapmak için , oluşturduğunuz bir PREDICTION JOIN Satış için yeni veriyi yalnızca bu mağazaya. Bunu yaptığınızda Analysis Services Bölgesel modelinden türetilmiş desenleri korur, ancak varolan eğitim durumlarda tek tek depo verileri değiştirir. Sonuç olarak tahmin değerlerinizin eğilim çizgileri için tek tek depo daha yakın olacaktır.
Kullandığınızda REPLACE_MODEL_CASES bağımsız değişkeni Analysis Services sürekli olarak yeni bir durum, durum sonuna ekler küme ve karşılık gelen bir sayı, büyük/küçük durum başından siler küme. ' De özgün eğitim olandan daha fazla yeni veri eklerseniz, küme, Analysis Services en erken verinin atılmasına neden olur. Öngörüler yeterli yeni değerleri sağlarsanız, tümüyle yeni verileri temel alabilir.
Örneğin, bir servis talebi verilerini modelinize eğitim almış küme, 1000 satırlar içeriyor.You then add 100 rows of new data.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.1100 Yeni veri satırları eklerseniz, yalnızca en son 1000 satırları kullanılır.
Başka bir örnek aşağıdadır.Üç yeni ay değdiğini veri alan ve üç yeni Öngörüler olun eklemek için aşağıdaki eylemleri yapmak:
Oluşturma bir PREDICTION JOIN saat serisi modeli ve kullanım REPLACE_MODEL_CASE bağımsız değişken.
Belirttiğiniz kaynak üç aylık yeni veri.Bu veriler bir tamamen farklı olabilir kaynak özgün eğitim verilerden.
Altı saat dilimleri için Öngörüler isteyin.Bunu yapmak için , 6 saat dilimleri belirtin veya başlangıç noktası olarak bir zaman dilimi (1 ve bir bitiş noktası, 7 saat dilimi belirtin.
Not
Farklı EXTEND_MODEL_CASES, giriş verisi olarak eklediğiniz aynı değerleri döndüremez. Döndürülen tüm altı eski ve yeni verileri içeren güncelleştirilmiş modelinde dayalı Öngörüler değerlerdir.
Not
Yeni Öngörüler yeni verileri esas almak zaman damgası 1 ile başlayarak, REPLACE_MODEL_CASES, eski eğitim verileri değiştirir.
Sorgu örnekleri ve sözdizimini kullanma hakkında daha fazla bilgi için REPLACE_MODEL_CASES ve EXTEND_MODEL_CASES, bkz: PredictTimeSeries (DMX).
Başa dön
Eksik değerleri ile çalışma
Yeni verileri bir saat serilerini modeline kullanarak eklediğinizde bir PREDICTION JOIN deyim, yeni veri kümesi eksik değerleri olamaz. Herhangi bir seriyi eksik ise, model değerleri eksik null, sayısal bir yol, belirli bir sayısal ortalaması veya tahmini değeri'ni kullanarak belirtmeniz gerekir.Belirttiğiniz EXTEND_MODEL_CASES, Analysis Services özgün modele dayalı Öngörüler eksik değerleri değiştirir. Kullanıyorsanız REPLACE_MODEL_CASES, Analysis Services eksik değerleri, belirttiğiniz değerle değiştirir MISSING_VALUE_SUBSTITUTION parametre.
Başa dön
Tahmin işlevleri listesi
Tüm Microsoft algoritmalar, sık kullanılan bir işlevler kümesi destekler. Ancak, Microsoft saat serisi algoritma aşağıdaki listelenen ek işlevler, destekleyen tablo.
saat dilimleri arasında geçerli durum tarihini ve son eğitim tarihi sayı küme. Bu işlev, normal bir kullanımı, servis taleplerini hakkında ayrıntılı veriler alabilirsiniz, son eğitim durumlarda belirlemektir. |
|
Belirtilen tahmin edilebilir sütun düğüm KIMLIĞI döndürür. Bu normal kullanımı işlev düğüm, Denklem ve diğer ayrıntıları ile ilişkili servis taleplerini gözden geçirebilir, belirli bir tahmini değeri oluşturan düğüm belirlemektir. |
|
Öngörüler standart sapmasını belirtilen sayı tahmin edilebilir sütun. Bu işlev, saat serilerini modeller için desteklenen INCLUDE_STATISTICS bağımsız değişkeni yerini alır. |
|
Belirtilen tahmin edilebilir sütunun Öngörüler verir. Bu işlev, saat serilerini modeller için desteklenen INCLUDE_STATISTICS bağımsız değişkeni yerini alır. |
|
Verir, geçmişteki veya gelecekteki değerleri saat veri dizisi için öngörülen. Genel bir tahmin işlevini kullanarak saat serisi modelleri de sorgulayabilirsiniz (DMX) tahmin. |
Tüm ortak olan işlevlerin listesi için Microsoft algoritmalar için bkz: Types (DMX) sorgu için işlevler'i eşleme. Belirli işlevlerin sözdizimi için bkz: Veri madenciliği Uzantıları (DMX) işlev başvurusu.