Consultar un modelo de serie temporal (Analysis Services: minería de datos)

Puede recuperar las periodicidades que se encontraron dentro de la serie temporal consultando el árbol ARIMA o el árbol ARTXP. Sin embargo, las periodicidades en el modelo completado podrían no ser iguales que los segmentos de tiempo que especificó como sugerencias cuando creó el modelo. Para recuperar las sugerencias que se proporcionaron como parámetros cuando creó el modelo, puede consultar el conjunto de filas de esquema de contenido del modelo de minería de datos utilizando la instrucción DMX siguiente:

SELECT MINING_PARAMETERS 
FROM $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = '<model name>'

Resultados parciales:

La sugerencia de periodicidad predeterminada es {1} y aparece en todos los modelos; este modelo de ejemplo se creó con una sugerencia adicional que podría no estar presente en el modelo final.

Volver al principio

Puede recuperar la ecuación para un modelo ARIMA consultando cualquier nodo en un árbol individual. Recuerde que cada árbol dentro de un modelo ARIMA representa una periodicidad diferente y, si hay varias series de datos, cada una tendrá su propio conjunto de árboles de periodicidad. Por consiguiente, para recuperar la ecuación de una serie de datos concreta debe identificar primero el árbol.

Por ejemplo, el prefijo TA le indica que el nodo forma parte de un árbol ARIMA, mientras que el prefijo TS se usa para los árboles ARTXP. Puede buscar todos los árboles de raíz de ARIMA consultando los nodos en el contenido del modelo con el valor 27 en NODE_TYPE. También puede usar el valor de ATTRIBUTE_NAME para buscar el nodo raíz ARIMA para una serie de datos determinada. En este ejemplo de consulta se buscan los nodos ARIMA que representan las cantidades vendidas del modelo R250 en la región de Europa.

SELECT NODE_UNIQUE_NAME
FROM Forecasting.CONTENT
WHERE ATTRIBUTE_NAME = 'R250 Europe: Quantity"
AND NODE_TYPE = 27

Utilizando este identificador de nodo, puede recuperar los detalles de la ecuación ARIMA para este árbol. La instrucción DMX siguiente recupera la forma abreviada de la ecuación ARIMA para la serie de datos. También recupera el corte de la tabla anidada, NODE_DISTRIBUTION. En este ejemplo, la ecuación se obtiene haciendo referencia al identificador único de nodo TA00000007. Sin embargo, puede que tenga que usar un identificador de nodo diferente y puede obtener resultados ligeramente diferentes en su modelo.

SELECT FLATTENED NODE_CAPTION as [Short equation], 
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE 
FROM NODE_DISTRIBUTION) as t
FROM Forecasting.CONTENT
WHERE NODE_NAME = 'TA00000007'

Resultados del ejemplo:

Para obtener más información acerca de cómo interpretar estos datos, vea Contenido del modelo de minería de datos para los modelos de serie temporal (Analysis Services - Minería de datos).

Volver al principio

Para un modelo ARTXP, se almacena información diferente en cada nivel del árbol. Para obtener más información sobre la estructura de un modelo ARTXP y sobre cómo interpretar la información en la ecuación, vea Contenido del modelo de minería de datos para los modelos de serie temporal (Analysis Services - Minería de datos).

La instrucción DMX siguiente recupera información de una parte del árbol ARTXP que representa la cantidad de ventas del modelo R250 en Europa.

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

Para obtener más información acerca de cómo interpretar estos datos, vea Contenido del modelo de minería de datos para los modelos de serie temporal (Analysis Services - Minería de datos).

Volver al principio

Al agregar nuevos datos a un modelo de serie temporal, puede especificar si se deben ampliar o reemplazar los datos de aprendizaje:

• Si amplía los datos, Analysis Services agrega los nuevos datos al final de los datos de aprendizaje existentes. De esta forma aumentará el número de casos de aprendizaje. La ampliación de los casos del modelo resulta útil para actualizar continuamente el modelo con nuevos datos. Por ejemplo, si desea que el conjunto de aprendizaje crezca con el paso del tiempo, lo único que debe hacer es ampliar el modelo.

  Para ampliar los datos, se crea una instrucción PREDICTION JOIN en un modelo de serie temporal, se especifica el origen de los nuevos datos y se usa el argumento EXTEND_MODEL_CASES.

• Si reemplaza los datos, Analysis Services mantiene el modelo de aprendizaje, pero usa los nuevos datos para reemplazar algunos o todos los casos de aprendizaje existentes. De esta forma, el tamaño de los datos de aprendizaje nunca cambia, pero los propios casos se reemplazan continuamente con nuevos datos. Si proporciona suficientes datos nuevos, puede reemplazar los datos de aprendizaje por una serie completamente nueva.

  El reemplazo de los casos del modelo también es útil si desear entrenar un modelo en un conjunto de casos y, a continuación, aplicar ese modelo a una serie de datos diferente. Para reemplazar los datos, se crea una instrucción PREDICTION JOIN en un modelo de serie temporal, se especifica el origen de los nuevos datos y se usa el argumento REPLACE_MODEL_CASES.

Independientemente de si amplía o reemplaza los datos de aprendizaje, las predicciones comienzan siempre en la marca de tiempo con la que finaliza el conjunto de aprendizaje original. En otras palabras, si los datos nuevos contienen n intervalos de tiempo y solicita predicciones para los estadios temporales 1 a n, las predicciones coincidirán con el mismo período que los datos nuevos. Para obtener nuevas predicciones de un período de tiempo que no cubren los datos, debe iniciar las predicciones en el intervalo de tiempo n+1 tras la nueva serie de datos o asegurarse de que solicita intervalos de tiempo adicionales.

Por ejemplo, suponga que el modelo existente incluye datos de seis meses. Desea ampliar este modelo agregando las cifras de ventas de los últimos tres meses. Al mismo tiempo, desea realizar una predicción acerca de los tres meses siguientes. Para obtener solo las nuevas predicciones al agregar los nuevos datos, especifique el punto inicial como el intervalo de tiempo 4 y el punto final como el intervalo de tiempo 7. También puede solicitar seis predicciones en total, pero los intervalos de tiempo para las tres primeras se superpondrían con los nuevos datos recién agregados.

Para obtener ejemplos de consultas y más información sobre la sintaxis para usar REPLACE_MODEL_CASES y EXTEND_MODEL_CASES, vea PredictTimeSeries (DMX).

Volver al principio

El comportamiento de la predicción varía en función de si se amplían o se reemplazan los casos del modelo. Al ampliar un modelo, los nuevos datos se asocian al final de la serie y el tamaño del conjunto de aprendizaje aumenta. Sin embargo, los intervalos de tiempo usados en las consultas de predicción siempre se inician al final de la serie original. Por tanto, si agrega tres nuevos puntos de datos y solicita seis predicciones, las tres primeras predicciones devueltas se superponen a los nuevos datos. En este caso, Analysis Services devuelve los nuevos puntos de datos reales en lugar de realizar una predicción, hasta que se agoten los nuevos puntos de datos. A continuación, Analysis Services realiza predicciones basadas en la serie compuesta.

Este comportamiento permite agregar nuevos datos y, a continuación, mostrar las cifras de ventas reales en el gráfico de predicción, en lugar de ver proyecciones.

Por ejemplo, para agregar tres nuevos puntos de datos y realizar tres nuevas predicciones, haría lo siguiente:

• Cree una instrucción PREDICTION JOIN en un modelo de serie temporal y especifique el origen de los nuevos datos de tres meses.

• Solicite predicciones para seis intervalos de tiempo. Para ello, especifique 6 intervalos de tiempo, donde el punto inicial es el intervalo de tiempo 1 y el punto final es el intervalo de tiempo 7. Esto solo se cumple para EXTEND_MODEL_CASES.

• Para obtener solo las nuevas predicciones, especifique el punto inicial como el segmento de tiempo 4 y el punto final como el segmento de tiempo 7.

• Debe usar el argumento EXTEND_MODEL_CASES.

  Se devuelven las cifras de ventas reales de los tres primeros intervalos de tiempo y las predicciones basadas en el modelo ampliado de los tres intervalos de tiempo siguientes.

Volver al principio

Al reemplazar los casos de un modelo, el tamaño del modelo no se modifica, sino que Analysis Services reemplaza los casos individuales del modelo. Esto es útil para predicciones cruzadas y escenarios en los que resulta importante mantener el conjunto de datos de aprendizaje con un tamaño uniforme.

Por ejemplo, una de sus tiendas no dispone de suficientes datos de ventas. Podría crear un modelo general calculando el promedio de las ventas de todas las tiendas de una región determinada y, a continuación, entrenar un modelo. Posteriormente, para realizar predicciones sobre la tienda con datos de ventas insuficientes, crearía una instrucción PREDICTION JOIN para los nuevos datos de ventas únicamente de dicha tienda. Al hacer esto, Analysis Services mantiene los patrones derivados del modelo regional, pero reemplaza los casos de aprendizaje existentes con los datos de la tienda individual. Como resultado, los valores de predicción estarán más próximos a las líneas de tendencia de la tienda individual.

Al usar el argumento REPLACE_MODEL_CASES, Analysis Services agrega continuamente los nuevos casos al final del conjunto de casos y elimina un número correspondiente del principio del conjunto. Si agrega nuevos datos en un número mayor que el conjunto de aprendizaje original, Analysis Services descarta los primeros datos. Si proporciona suficientes valores nuevos, las predicciones se pueden basar en datos completamente nuevos.

Por ejemplo, supongamos que entrenó el modelo con un conjunto de datos de casos que contenía 1000 filas. A continuación agrega 100 filas de nuevos datos. Analysis Services quita las 100 primeras filas del conjunto de aprendizaje y agrega las 100 filas de nuevos datos al final del conjunto, para obtener un total de 1000 filas. Si agrega 1100 filas de nuevos datos, solo se usan las 1000 filas más recientes.

A continuación se muestra otro ejemplo. Para agregar datos acerca de tres nuevos meses y realizar tres nuevas predicciones, realizaría las siguientes acciones:

• Cree una instrucción PREDICTION JOIN en un modelo de serie temporal y use el argumento REPLACE_MODEL_CASE.

• Especifique el origen de los nuevos datos correspondientes a tres meses. Estos datos pueden proceder de un origen completamente diferente a los datos de aprendizaje originales.

• Solicite predicciones para seis intervalos de tiempo. Para ello, especifique 6 intervalos de tiempo o especifique el punto inicial como el intervalo de tiempo 1 y el punto final como el intervalo de tiempo 7.

  Nota

  A diferencia de EXTEND_MODEL_CASES, no puede devolver los mismos valores que agregó como datos de entrada. Los seis valores devueltos son predicciones basadas en el modelo actualizado, que incluye tanto los datos anteriores como los nuevos.

  Nota

  Con REPLACE_MODEL_CASES, al comenzar en la marca de tiempo 1, se obtienen predicciones nuevas basadas en los datos nuevos, que reemplazan los datos de aprendizaje antiguos.

Para obtener ejemplos de consultas y más información sobre la sintaxis para usar REPLACE_MODEL_CASES y EXTEND_MODEL_CASES, vea PredictTimeSeries (DMX).

Volver al principio

Al agregar nuevos datos a un modelo de serie temporal con una instrucción PREDICTION JOIN, en el nuevo conjunto de datos no puede faltar ningún valor. Si alguna serie está incompleta, el modelo debe proporcionar los valores ausentes mediante un valor NULL, una media numérica, una media numérica concreta o un valor de predicción. Si especifica EXTEND_MODEL_CASES, Analysis Services reemplaza los valores ausentes con predicciones basadas en el modelo original. Si usa REPLACE_MODEL_CASES, Analysis Services reemplaza los valores ausentes por el valor que se especifique en el parámetro MISSING_VALUE_SUBSTITUTION.