Microsoft saat Serisi algoritması
The Microsoft saat Series algorithm provides regresyon algorithms that are optimized for the forecasting of continuous values, such as product sales, over saat. Diğer Microsoft karar ağaçları gibi algoritmalar, yeni bilgilerin bir eğilim, seriler modeli başlamıyor bir saat tahmin etmek için giriş olarak ek sütunlar gerektirir. Bir saat serisi modeli veri modeli oluşturmak için kullanılan yalnızca özgün kümesini alarak eğilimleri tahmin edebilir.Bir tahmin yapmak ve otomatik olarak yeni veriler, eğilim çözümleme eklemek için model yeni verileri de ekleyebilirsiniz.
Aşağıdaki şemada, tipik bir saat içinde dört farklı satış bölgeleri bir ürünün satışlarını tahmin modeli gösterir.Şemada gösterilen modeli, kırmızı, sarı, mor ve mavi çizgiler olarak çizilen her bölge satışlarını gösterir.Satır her bölge için iki bölümden oluşur:
Geçmiş bilgileri, dikey çizgi solunda görünür ve model oluşturmak için kullanılan algoritma kullanan verileri temsil eder.
Tahmin edilen bilgileri dikey çizgi sağında görüntülenen ve tahmin modeli,'ı temsil eder.
Kaynak veri ve tahmin veri adlı bir seriler.
.gif "An example of a time series")
Önemli bir özelliği, Microsoft saat serisi çapraz tahmin gerçekleştirebilirsiniz algoritmasıdır. Varsa, eğitmek iki ayrı (ancak, ilişkili seriler içeren algoritması, üzerinde diğer seriyi davranışını temel alan bir dizi sonucunu tahmin etmek için elde edilen modelini kullanabilirsiniz.Örneğin, gözlemlenen bir ürünün satışlarını, başka bir ürün satışlarını tahmin edilen etkileyebilirsiniz.Çapraz tahmin çoklu seriler için uygulanan genel bir model oluşturmak için de yararlıdır.Seriyi iyi kalitede veri eksik olduğundan, belirli bir bölge için Öngörüler kararsız var.Tüm dört bölgeler ortalama genel bir modeli alıştırması ve modeli, her bölge için daha kararlı Öngörüler oluşturmak için tek bir dizi geçerli.
Örnek
At yönetim ekibi Adventure Works Cycles Aylık bisiklet) satış gelecek yıl için tahmin istemektedir. Şirketin bir bisikleti modeli satışını başka bir modelin satış tahmin etmek için kullanılıp kullanılamayacağı özellikle ilgilenmektedir.Kullanarak Microsoft Geçmiş üç yıl geçmiş verilerini saat Series algoritması, şirketin gelecek bisiklet) satış tahminleri bir veri araştırma modeli oluşturabilir. Ayrıca, şirket, tek tek bisikleti modeli bir satış eğilimleri ilişkili olup olmadığını görmek için çapraz Öngörüler gerçekleştirebilirsiniz.
Her üç ay, şirket ve son eğilimleri modellemek için kendi Öngörüler modeli satış son verilerle güncelleştirme planlamaktadır.Mağazalarda düzeltmek için doğru olarak yapmak veya sürekli olarak satış verilerini güncelleştirmek, bunlar bir genel bir tahmin modeli oluşturma, tüm bölgeler için Öngörüler oluşturmak için kullanın.
Karma algoritması'nasıl çalışır?
Içinde SQL Server 2005, Microsoft saat serisi algoritması ARTxp tek bir algoritma kullanılır. ARTXp algoritması kısa dönemli Öngörüler için en iyileştirilmiş ve bu nedenle, bir serideki sonraki olası değer öngörülen.Içinde SQL Server 2008, Microsoft saat serisi algoritması ARTxp algoritması hem de ARIMA adlı ikinci bir algoritma kullanır. ARIMA algoritması için uzun dönemli tahmin en iyi duruma getirilmiştir.Uygulama ARTxp ve ARIMA algoritmalar hakkında ayrıntılı bir açıklama için bkz: Microsoft saat Serisi algoritması teknik başvurusu.
Varsayılan olarak, Microsoft saat serisi algoritması, desenleri ve Öngörüler yapma çözümler bir karışımını algoritmalar kullanır. Algoritma, aynı veriler üzerinde iki ayrı modelleri eğitir: bir model ARTxp algoritması kullanır ve bir modeli ARIMA algoritmasını kullanır. Algoritma, sonra sonuçlar iki modellerin en iyi tahmin, saat dilimleri değişken sayıda getirebilecek karıştırır.ARTxp kısa dönemli Öngörüler için en iyi olduğu için daha yoğun bir dizi Öngörüler başında ağırlıklı.Ancak, saat, dilimler olarak taşıma tahmin daha gelecek, ARIMA daha yoğun ağırlıklı.
Ayrıca, karışık ya da kısa veya long term tahmin süreleri de dikkate algoritmalarının denetleyebilirsiniz serisi.Içinde SQL Server 2008 Standart, belirtebilirsiniz Microsoft saat serisi algoritma aşağıdaki ayarlardan birini kullanın:
Yalnızca ARTxp kısa dönem tahmin için kullanın.
Yalnızca ARIMA için uzun dönemli tahmin kullanın.
Varsayılan iki algoritmalar karıştırma kullanın.
Içinde SQL Server 2008 Enterprise, özelleştirebileceğiniz nasıl Microsoft saat serisi algoritması için tahmin modelleri karıştırır. Karma bir modeli kullandığınızda Microsoft saat serisi algoritması iki algoritmaları, aşağıdaki şekilde karışımlar:
Her zaman yalnızca ARTxp Öngörüler kelimenin ilk yapmak için kullanılır.
Kelimenin ilk Öngörüler sonra ARIMA ve ARTxp birlikte kullanılır.
Tahmin adımları sayısı arttıkça, Öngörüler ARTxp artık kullanılmamaktadır kadar ARIMA üzerinde daha yoğun olarak kullanır.
Karıştırma noktası, hızı, ARTxp ağırlığını azalır ve ARIMA ağırlığını PREDICTION_SMOOTHING parametre ayarı arttırılır denetimini.
Her iki algoritmaları, verilerde birden çok düzeyde seasonality algılayabilir.Örneğin, verilerinizi yıllık döngü içinde iç içe geçmiş aylık döngüleri içerebilir.Mevsimlik Bu döngü algılamak için , bir periodicity ipucu sağlamak veya algoritma periodicity otomatik olarak algılayacak belirtin.
Periodicity yanı sıra, davranışını denetleyen başka birkaç parametre vardır Microsoft saat Series algoritması, periodicity saptadığında Öngörüler yapar veya servis taleplerini çözümler. Algoritma parametreleri ayarlamak hakkında daha fazla bilgi için bkz: Microsoft saat Serisi algoritması teknik başvurusu.
saat serisi modeller için gerekli veri
Herhangi bir veri araştırma modeli eğitim amacıyla veri hazırladığınızda, belirli bir modeli ve verileri nasıl kullanıldığını gereksinimlerini anlamak dikkat edin.
Her bir tahmin modeli, saat dilimleri veya üzerinde değişiklik meydana diğer seri belirten sütun olan bir durum seri içermelidir.Örneğin, önceki diyagramı veride birkaç ayda bir dönemdeki seriyi geçmişe dönük ve tahmin edilen bisiklet) satış gösterir.Bu model için her bir dizi bölgedir ve aynı zamanda saat seriyi tarih sütun içeren durum serisi.Diğer modeller, durum seriyi olabilir, bir metin alan veya bir müşteri KIMLIĞI veya işlem KIMLIğI gibi bazı tanıtıcısıAncak, bir zaman serisi modeli her zaman bir tarih, saat veya başka benzersiz bir sayısal değer, durum seriler için kullanmanız gerekir.
Bir saat serisi modeli gereksinimleri aşağıdaki gibidir:
Bir tek anahtar saati sütunu Her model modeli kullanan saat dilimleri tanımlayan büyük seriyi gibi kullanılan bir sayısal veya tarih sütun içermelidir.Anahtar saat için veri türü sütun datetime veri türü veya bir sayısal veri türü olabilir.Ancak, sütun, sürekli bir değer içermeli ve değerler her dizi için benzersiz olması gerekir.durum seriyi bir saat serisi modeli için yıl bir sütun gibi iki sütun ve bir ay sütun depolanamıyor.
tahmin edilebilir sütun Her model algoritma saat serilerini modeli oluşturacaksınız öngörülebilir en az bir sütun içermelidir.Öngörülebilir sütun veri türünü, sürekli bir değer olmalıdır.Örneğin, nasıl sayısal, gelir (Satış) veya Sıcaklığı, değişiklik saat gibi öznitelikleri tahmin edebilir.Ancak, satın alma durumu veya eğitim, tahmin edilebilir sütun düzey gibi ayrı bir değerler içeren bir sütunu kullanamazsınız.
Bir isteğe bağlı bir dizi anahtar sütun Her model, bir dizi tanımlayan benzersiz değerler içeren bir ek anahtar sütun olabilir.Isteğe bağlı bir dizi anahtar sütun, benzersiz değerler içermesi gerekir.Örneğin, her bir ürün adı her saat dilimi için yalnızca bir kayıt olduğu sürece, tek bir modelini birçok Ürün modelleri, satış içerebilir.
Giriş verileri için tanımladığınız Microsoft Birkaç farklı yolla saat Series modeli. Ancak, servis taleplerini giriş biçimi madenciliği modelinin tanımı etkilediğinden, iş gereksinimlerinizi göz önünde bulundurun ve gerekir buna göre verilerinizi hazırlayın.Aşağıdaki iki örnek giriş veri modeli etkilemesi gösterilmektedir.Her iki örnek, tamamlanan araştırma modeli desenleri dört ayrı serisinin içerir:
BIR ürün satışlarını
B ürün satışlarını
BIR ürün için birim
Birim için Ürün B
Her iki örnek, yeni gelecekteki satış ve birimi her ürün için tahmin edebilir.saat veya ürün için yeni değerleri tahmin edemiyor.
Örnek 1: Iki öngörülebilir sütunlar
Bu örnekte aşağıdaki kullanır tablo giriş durumda:
TimeID |
Ürün |
Satış |
Birim |
|---|---|---|---|
1/2001 |
A |
1000 |
600 |
2/2001 |
A |
1100 |
500 |
1/2001 |
B |
500 |
900 |
2/2001 |
B |
300 |
890 |
TimeID sütun tabloda bir saat tanıtıcı içerir ve her gün için iki girdi vardır.TimeID sütun, durum seriyi olur.Bu nedenle, bu sütunun sütun olarak anahtar saat saat serisi modeli için belirleyeceğiniz.
Bir ürün, Ürün sütun veritabanında tanımlar.Bu sütun, ürün serisi içerir.Bu nedenle, bu belirlediğiniz sütun saat serilerini modeli için ikinci anahtar olarak.
Satışlar sütununu bir gün için belirtilen ürün bir brüt karlar açıklar ve miktar ambarda kalır belirtilen bir ürünün birim sütun açıklar.Bu iki sütunu modeli eğitmek için kullanılan veri içerir.
Örnek 2: Dört öngörülebilir sütunlar
Bu örnek, temel olarak aynı verilerin ilk örnek olarak kullanır, ancak giriş verilerinin farklı aşağıdaki gibi yapılandırılmıştır tablo:
TimeID |
A_Sales |
A_Volume |
B_Sales |
B_Volume |
|---|---|---|---|---|
1/2001 |
1000 |
600 |
500 |
900 |
2/2001 |
1100 |
500 |
300 |
890 |
Bu tabloda, durum seriyi anahtar saat sütunu olarak belirlediğiniz zaman serisi modeli için hala TimeID sütun içerir.Ancak, önceki satış ve birim sütunlar, şimdi iki sütuna ayrılır ve her biri bu sütunları önünde ürün adına göre.Sonuç olarak TimeID sütunundaki her gün için yalnızca tek bir giriş bulunmaktadır.Bu, tahmin edilebilir olan dört sütun içerir ve saat seri bir model oluşturur: A_Sales A_Volume, B_Sales ve B_Volume.
Ayrıca, farklı bir sütuna veya ayrılmış ürünler için ek bir dizi bir anahtar sütun belirtin gerekmez.Modeldeki tüm sütunları bir durum serisi sütun veya tahmin edilebilir sütun var.
saat serisi model görüntüleme
Model eğitilmiş sonra sonuçlar incelemek veya Öngörüler yapmak için kullanın ve desenler kümesi olarak depolanır.
Model keşfetmek için saat serisi Görüntüleyicisi.Görüntüleyiciyi veride gelecekte Öngörüler ve dönemsel yapıları ağaç görünümünde görüntüleyen bir grafik içerir.
Öngörüler nasıl hesaplandığı hakkında daha fazla bilgi, bu modelde gözatabilirsiniz Microsoft Genel içerik ağacı Görüntüleyicisi.Içerik modeli için depolanan ARIMA ve ARTxp algoritmalar tarafından algoritmalar ve diğer istatistikleri karıştırmak için kullanılan Denklem algıladı dönemsel yapıların gibi ayrıntıları içerir.
saat serisi Öngörüler oluşturma
Bir saat serilerini modeli görüntülediğinizde, varsayılan olarak, Analysis Services seriler için beş Öngörüler gösterir. Ancak, Öngörüler değişken sayıda dönmek için sorgular oluşturabilir ve ek sütunlar Öngörüler, tanımlayıcı istatistik döndürmek için kullanabilirsiniz.Bir saat serisi modeli sorgular oluşturma hakkında daha fazla bilgi için bkz: saat serisi model sorgulama (Analysis Services - veri madenciliği). saat serisi Öngörüler yapmak veri madenciliği Uzantıları (DMX) nasıl örnekleri için bkz: PredictTimeSeries (DMX).
Kullanırken Microsoft saat serisi algoritması, Öngörüler yapmak için aşağıdaki ek kısıtlamaları ve gereksinimleri dikkate almalısınız:
Geçici tahmin yalnızca bir karma modeli veya ARTxp) algoritmasına dayanan bir modeli kullandığınızda kullanılabilir.Yalnızca ARIMA algoritmasına dayanan bir modelini kullanıyorsanız, geçici tahmin mümkün değildir.
Bir saat serisi modeli, sunucunun 64-bit işletim sistemine bağlı bazen önemli ölçüde farklı Öngörüler yapabilirsiniz.Bu farklar biçimi nedeniyle oluşur, bir Itanium-tabanlı bir sistemin temsil eder ve kayan nokta aritmetik biçimi nedeniyle farklı numaralarını işleme, bir x64-tabanlı sistem, bu hesaplamaları yapar. Tahmin sonuçlar, işletim sistemine özgü olabileceğinden, modelleri üretimde kullanılacak aynı işletim sistemi değerlendirmeniz önerilir.
Açıklamalar
Öngörü modeli biçimlendirme dili (PMML) madenciliği modelleri oluşturmak için kullanımını desteklemiyor.
OLAP madenciliği modelleri kullanımını destekler.
Veri madenciliği boyutları oluşturulmasını desteklemez.
detaylandırma destekler.
See Also