Bir zaman serisi modeli sorgulama (- Analysis Services veri madenciliği)

saat serisi içinde ARIMA ağaç veya artxp ağaç sorgulayarak bulundu periodicities alabilirsiniz.Ancak, periodicities tamamlanmış modelinde model oluştururken belirttiğiniz ipuçları dönemlerle aynı olmayabilir.Model oluşturulduğunda, parametre olarak sağlanan ipuçları almak için araştırma modeli içerik şema satır kümesi aşağıdaki dmx kullanarak sorgulayabilirsiniz deyim:

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

Kısmi sonuçlar:

Varsayılan periodicity İpucu {1} ve tüm modellerinde görünür; Bu örnek model son modelinde mevcut olmayabilir ek bir ipucu ile oluşturuldu.

Başa dön

Tek tek bir ağacındaki herhangi bir düğüme sorgulama yaparak ARIMA modeli denklemi elde edebilirsiniz.Her ağaç ARIMA modeli içindeki farklı periodicity temsil eder ve birden çok veri serisi varsa, her veri serisinin periodicity ağaçları kendi küme olacaktır unutmayın.Bu nedenle, belirli bir veri serisi için Denklem almak için ağaç ilk tanımlamanız gerekir.

artxp ağaç için ts önek kullanılır örneğin, ta önek, düğüm ağacının bir bölümünden ARIMA, olduğunu söyler.ARIMA kök ağaçların 27 node_type değeri olan düğümler için modeli içeriği sorgulayarak bulabilirsiniz.ARIMA kök düğümü için belirli veri serisi bulmak için öznitelik_adý değerini de kullanabilirsiniz.Bu sorgu örneği temsil eden Avrupa bölge R250 modelinde, satılan miktarlar ARIMA düğümleri bulur.

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

Bu düğüm kimliği kullanarak, bu ağaç ARIMA denklemi hakkında ayrıntılı bilgi alabilirsiniz.Aşağıdaki dmx deyim veri serilerinin ARIMA Denklemin kısa formu alır.Onu da kesişim noktası yuvalanmış alır tablo, NODE_DISTRIBUTION.Bu örnekte, düğüm başvurarak denklemi elde benzersiz kimliği TA00000007.Ancak, farklı düğüm kimliği kullanmak zorunda kalabilirsiniz ve sizin modelinden biraz daha 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:

Bu bilgileri yorumlama hakkında daha fazla bilgi için bkz: Zaman serisi modeller için içerik modeli mining (Analysis Services - veri madenciliği).

Başa dön

ARTxp modeli için her biri farklı bilgiler depolanır düzey ağacı.Yapısı ve ARTxp modeli denklemi bilgileri yorumlama hakkında daha fazla bilgi için bkz: Zaman serisi modeller için içerik modeli mining (Analysis Services - veri madenciliği).

Aşağıdaki dmx deyim bir parçası ARTxp ağaç alır bilgileri Avrupa'da R250 modeli için satış miktarını temsil eder.

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: Zaman serisi modeller için içerik modeli mining (Analysis Services - veri madenciliği).

Başa dön

Yeni veri için bir saat serisi modeli eklediğinizde, eğitim verileri değiştirmek veya genişletmek belirtebilirsiniz:

• Veri genişletme, Analysis Services ekler Yeni veri sonunda varolan eğitim veri.Eğitim durumlarda sayısı artar.Modeli durumlarda genişletme modeli yeni verileri sürekli olarak güncelleştirilmesi için yararlıdır.Örneğin eğitim yapmak istediğiniz, büyümesine küme üzerinden saat, basitçe modelini genişletir.

  Verileri genişletmek için oluşturduğunuz bir PREDICTION JOIN bir saat serisi modeli üzerinde belirtmek kaynak yeni veri ve kullanımı EXTEND_MODEL_CASES bağımsız değişkeni.

• Veri yerine, Analysis Services eğitimli modeli korur, ama kullanan yeni verileri değiştirmek veya tüm varolan eğitim durumlarda.Bu nedenle, hiçbir zaman eğitim veri boyutunu değiştirir, ancak durumlarda yeni verilerle sürekli olarak değiştirilmektedir.Yeterli yeni veri sağlamak, tamamen yeni bir dizi ile eğitim verileri değiştirebilirsiniz.

  Modeli durumlarda değiştirmeyi de kullanışlı bir model eğitmek istiyorsanız, küme talepleri ve bu modelin farklı veri serilerine uygulayın.Verileri değiştirmek için oluşturduğunuz bir PREDICTION JOIN bir saat serisi modeli üzerinde belirtmek kaynak yeni veri ve kullanımı REPLACE_MODEL_CASES bağımsız değişkeni.

Olup, uzatma ya da eğitim verileri değiştirmek ne olursa olsun, Öngörüler her saat özgün Eğitim küme sona erdiği saat damgası başlar.Başka bir deyişle, yeni veri içeriyorsa, n saat adım adım 1 için Öngörüler istek saat dilimleri ve n, Öngörüler yeni verilerle aynı dönem ile çakıştığı.Verilerinizi tarafından kapsanmayan dönemleri için yeni Öngörüler elde etmek için ya da saat dilim at Öngörüler başlatmanız gerekir n + 1 sonra yeni veri serisini veya ek saat dilimleri istemek emin olun.

Örneğin, varolan modeli altı ay olduğunu kabul eder veri değerinde.Bu modelin son üç ay satış rakamı ekleyerek uzatmak istiyorsanız.Aynı saat, gelecek üç ayda hakkında bir tahmin yapmak istiyor.Yeni veri eklediğinizde, yalnızca yeni Öngörüler elde etmek için zaman dilim 7 4 saat dilim olarak başlangıç noktası ve bitiş noktası belirtin.Toplam altı Öngörüler isteği, ancak ilk üç saat dilimlerinde yeni eklediğiniz yeni verilerle çakışacak.

Sorgu örnekleri ve sözdizimini kullanma hakkında daha fazla bilgi için REPLACE_MODEL_CASES ve EXTEND_MODEL_CASESiçin bkz: PredictTimeSeries (dmx).

Başa dön

Öngörü davranış, genişletmek veya modeli servis taleplerini yerine bağlı olarak farklılık gösterir.Bir modeli genişlettiğinizde, yeni veri serisinin sonuna ve eğitim boyutu için bağlı olduğu küme artırır.Ancak, kullanılan saat dilimleri için tahmin sorguları her saat orijinal serinin sonunda başlar.Bu nedenle, üç yeni veri noktaları eklemek ve altı Öngörüler istemek, ilk üç Öngörüler örtüşme yeni verilerle birlikte verdi.Bu durumda, Analysis Services yapma yerine gerçek yeni veri noktaları verir bir tahmin, kullanılan kurduğunuz tüm yeni veri noktaları olana kadarDaha sonra Analysis Services yaptığı Öngörüler göre bileşik serisi.

Bu davranış, yeni veri eklemek ve sizin gerçek satış rakamları tahminlerini görme yerine tahmin grafik göstermek sağlar.

Örneğin, üç yeni veri noktaları eklemek ve üç yeni Öngörüler yapmak için aşağıdakileri yapabilirsiniz:

• Oluşturmak bir PREDICTION JOIN üzerinde bir saat serisi modeli ve üç aylık kaynak belirtmek Yeni verileri.

• Altı saat dilimleri için Öngörüler isteyin.Bunu yapmak için burada zaman dilim 1 başlangıç noktasıdır ve bitiş noktası zaman dilim 7 6 saat dilimleri belirtin.Bu, yalnızca extend_model_cases için geçerlidir.

• Yalnızca yeni Öngörüler almak için başlangıç noktası 4 ve bitiş noktası 7 belirtirsiniz.

• Bağımsız değişken kullanmak gerekir EXTEND_MODEL_CASES.

  Gerçek satış rakamları için ilk üç saat dilimleri ve gelecek için Öngörüler genişletilmiş modelini temel alan döndürülen döndürülen üç saat dilimleri.

Başa dön

Bir modeli durumlarda değiştirdiğinizde aynı ama modeli boyutunu kalır Analysis Services yerini tek tek durumlarda modeli.Bu çapraz tahmin ve hangi koruma içinde senaryoları için yararlıdır eğitim verileri küme tutarlı bir boyutta önemlidir.

Örneğin, kendi depoları yetersiz satış verilerini sahip.Tüm depoları için belirli bir satış ortalayarak genel bir model oluşturmak bölge ve sonra bir modeli eğitim.Ardından, yeterli satış veri deposu için Öngörüler yapmak için oluşturduğunuz bir PREDICTION JOIN üzerinde yeni satış verilerini yalnızca o deposu.Bunu yaparken Analysis Services Bölgesel modelinden türetilmiş desenleri korur, ama yerine varolan eğitim servis taleplerini verilerle tek tek mağaza.Sonuç olarak, sizin tahmin değerlerini eğilim satırları tek tek depoyla yakın olacaktır.

Kullandığınızda, REPLACE_MODEL_CASES bağımsız değişkeni Analysis Services sürekli olarak yeni ekler durumsonuna kadar s durum ayarlayın ve başından bir karşılık gelen sayıyı siler durum küme.Özgün Eğitim küme olduğundan çok daha fazla yeni veri eklerseniz, Analysis Services atar erken veri.Yeterli yeni değerleri sağlarsanız, Öngörüler tamamen yeni verileri esas.

Örneğin, model üzerinde eğitilmiş bir durum 1000 satırları içeren veri küme.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 kurlar veri içermektedir ve üç yeni Öngörüler yapmak eklemek için aşağıdaki işlemleri yapabilirsiniz:

• Oluşturma bir PREDICTION JOIN bir saat serisi modeli ve kullanımına REPLACE_MODEL_CASE bağımsız değişkeni.

• Üç aylık kaynak belirtmek ' Yeni verileri.Bu veriler bir tamamen farklı olabilir kaynak daha özgün eğitim veri.

• Altı saat dilimleri için Öngörüler isteyin.Bunu yapmak için 6 saat dilimleri belirtin veya zaman dilim 7 saat dilim 1 olarak başlangıç noktası ve bitiş noktası belirtin.

  Not

  Aksine EXTEND_MODEL_CASES, iade edilemez, aynı değerleri eklenen veri girdi.Döndürülen tüm altı eski ve yeni veri içeren güncelleştirilmiş modelini temel alan Öngörüler değerlerdir.

  Not

  Yeni Öngörüler yeni verileri esas almak zaman damgası 1 başlayan replace_model_cases, hangi eski eğitim verileri değiştirir.

Sorgu örnekleri ve sözdizimini kullanma hakkında daha fazla bilgi için REPLACE_MODEL_CASES ve EXTEND_MODEL_CASESiçin bkz: PredictTimeSeries (dmx).

Başa dön

Eklediğinizde, yeni veriler için bir saat serisi modeli kullanarak bir PREDICTION JOIN deyim, yeni dataset herhangi eksik değerleri var. yapamazsınızTüm seri tamamlanmadı, modeli eksik değerleri null, sayısal bir yol, belirli bir sayısal ortalaması veya öngörülen değeri kullanarak durumundasınız.Belirtirseniz, EXTEND_MODEL_CASES, Analysis Services yerini alan eksik değerleri ile Öngörüler dayalı özgün bir model.Kullanırsanız, REPLACE_MODEL_CASES, Analysis Services belirttiğiniz değeri eksik değerleri değiştirir MISSING_VALUE_SUBSTITUTION parametresi.