在本教程的前面步骤中，你创建了多个时序模型：
每个区域和模型组合的预测，仅基于单个模型和区域的数据。
基于更新的数据预测每个区域。
基于聚合数据，在全球范围内对所有模型进行预测。
基于聚合模型预测北美区域中的 M200 模型。
若要汇总时序预测的功能，你将查看这些更改，以了解如何使用选项来扩展或替换受影响的预测结果。
在添加数据后将原始结果与结果进行比较
让我们看看太平洋地区的 M200 生产线的数据，了解使用新数据更新模型如何影响结果。 请记住，原始数据系列于 2004 年 6 月结束，我们获得了 7 月、8 月和 9 月的新数据。
第一列显示已添加的新数据。
第二列基于原始数据系列显示七月及以后月份的预测。
第三列显示基于扩展数据的预测。
| M200 Pacific | 更新了实际销售数据 | 在添加数据之前预测 | 扩展预测 |
|---|---|---|---|
| 7-25-2008 | 65 | 32 | 65 |
| 8-25-2008 | 54 | 37 | 54 |
| 9-25-2008 | 61 | 32 | 61 |
| 10-25-2008 | 无数据 | 36 | 32 |
| 11-25-2008 | 无数据 | 31 | 41 |
| 12-25-2008 | 无数据 | 34 | 32 |
你会注意到，使用扩展数据的预测（以粗体显示）精确重复实际数据点。 重复是设计造成的。 只要有实际数据点使用，预测查询就会返回实际值，并且仅在新的实际数据点用完之后输出新的预测值。
通常，算法对新数据中的更改的权重比模型数据开头的数据更强。 然而，在这种情况下，新销售数据比上一时期仅增长20-30%，因此预计销售额略有上升，之后销售预测再次下降，更符合新数据前几个月的趋势。
比较原始结果和交叉预测结果
请记住，原始挖掘模型揭示了区域与生产线之间的巨大差异。 例如，M200 模型的销售额非常强劲，而 T1000 模型的销售额在所有区域中都相当低。 此外，一些系列没有太多数据。 系列是参差不齐的，这意味着它们没有相同的起点。
那么，当你基于全球销售额的通用模型而不是原始数据集进行预测时，预测结果发生了怎样的变化？ 若要向自己保证，您没有丢失任何信息或扭曲预测，可以将结果保存到表中，将预测表联接到历史数据表，然后绘制两组历史数据和预测。
下图仅基于一条产品线 M200。 该图比较了初始挖掘模型的预测与聚合挖掘模型的预测。
在此关系图中，可以看到聚合挖掘模型会保留值的总体范围和趋势，同时最大程度地减少单个数据系列的波动。
结论
你已了解如何创建和自定义可用于预测的时序模型。
你已了解如何更新时序模型，而无需重新处理这些模型，方法是添加新数据并使用参数创建预测，EXTEND_MODEL_CASES。
你已了解如何创建可用于交叉预测的模型，方法是使用 REPLACE_MODEL_CASES 参数并将模型应用于其他数据系列。