Microsoft zaman Series algoritması
The Microsoft Time Series algorithm provides regression algorithms that are optimized for the forecasting of continuous values, such as product sales, over time.Oysa diğer Microsoft karar ağaçları gibi algoritmalar gerektiren yeni bir eğilim tahmin etmek için giriş bilgileri ek sütunlar, bir saat serisi modeli mu değil.Bir saat serisi modeli model oluşturmak için kullanılan yalnızca özgün dataset nesnesinde temel eğilimleri tahmin edebilir.Bir tahmin yapıp eğilim analiz yeni verileri otomatik olarak ekleyebilir, yeni veri modeline de ekleyebilirsiniz.
saat içinde dört farklı satış bölgesi, ürün satış tahmini için tipik bir modeli aşağıdaki çizimde gösterilmektedir.Şemada gösterilen modeli, kırmızı, sarı, mor ve mavi çizgiler olarak çizilen her bölge için satış gösterir.Her bölge için satır iki bölümden oluşur:
Geçmiş bilgileri dikey çizgi solunda görünür ve model oluşturmak için kullanılan algoritma kullanır verileri temsil eder.
Öngörülen bilgileri dikey çizgi sağında görüntülenen ve modeli tahmin temsil eder.
Kaynak veri ve tahmin verileri birleşimi olarak adlandırılan bir serisi.
.gif "Zaman serisi örneği")
Önemli bir özelliği, Microsoft zaman Series algoritması olduğundan emin gerçekleştirmek çapraz tahmin.Algoritma iki ayrı fakat ilgili, serisi ile eğitmek, bir dizi davranış dayalı bir dizi sonucunu tahmin etmek için elde edilen modeli kullanabilirsiniz.Örneğin, gözlenen bir ürünün satışlarını tahmin edilen başka bir ürün satışlarını etkileyebilirsiniz. Çapraz tahmin birden çok serisi için uygulanan genel bir model oluşturmak için yararlıdır.Örneğin, iyi kalitede veri serisi bulunmadığı için belirli bir bölge için Öngörüler kararsız. Genel bir model üzerinde dört tüm bölgelerin ortalama eğitmek ve her bölge için daha kararlı Öngörüler oluşturmak için tek tek serisi için modeli uygulayın.
Örnek
Yönetim ekibi en Adventure Works Cycles istediği için önümüzdeki yıl aylık bisiklet satış tahmin etmekŞirket bir bisiklet modeli satışı başka bir modeli satışı tahmin etmek için kullanılıp kullanılamayacağı özellikle ilgilenmektedir.Kullanarak Microsoft zaman Series algoritması geçmişteki geçmişe dönük verileri üzerinde üç yıl şirket veri üretebilir araştırma modeli , gelecekte bisiklet satış. tahminleriAyrıca, şirketin tek tek bisiklet modellerin satış eğilimleri ilgili olup olmadığını görmek için çapraz Öngörüler gerçekleştirebilirsiniz.
Her üç aylık dönem, şirket ve son eğilimleri modellemek için kendi Öngörüler modeli son satış verileri ile güncelleştirme planlamaktadır.Mağazalarda düzeltmek için tutarlı bir şekilde satış verileri güncelleştirmek veya doğru olarak yapmak, bunlar genel bir tahmin modeli oluşturacak ve, tüm bölgelere ilişkin Öngörüler oluşturmak için kullanın.
Algoritma nasıl çalışır?
De SQL Server 2005, Microsoft zaman Series algoritması kullanılan bir algoritma, ARTxp.ARTXp algoritması kısa vadeli Öngörüler için optimize ve bu nedenle, bir serideki sonraki olası değer öngörülen.İçinde başlayan SQL Server 2008, Microsoft zaman Series algoritması kullanır ARTxp algoritması hem de bir ikinci algoritması, ARIMA.ARIMA algoritması uzun dönemli tahmin için optimize edilmiştir.ARTxp ve ARIMA algoritmalar uygulaması hakkında ayrıntılı bir açıklama için bkz: Microsoft zaman Series algoritması Teknik Başvurusu.
Varsayılan olarak, Microsoft zaman Series algoritması kullanır inceler ve desenleri ve yapma algoritmalarının bir karışımıÖngörüler. Aynı verilere göre iki ayrı modeli algoritma kariyeri: bir modeli ARTxp algoritması kullanır ve bir model ARIMA algoritması kullanır. Algoritma sonra karışan sonuçlar iki modellerin en iyi tahmin saat dilimleri içinde değişken sayıda verim.ARTxp kısa vadeli Öngörüler için en iyi olduğu için daha yoğun bir dizi Öngörüler başında ağırlıklı.Ancak, saat, böler gibi taşıma tahmin etmek daha fazla geleceğe ARIMA daha yoğun bir şekilde ağırlıklı.
Lehine ya da kısa - veya long - term hareket için algoritmalar karışımını kontrol edebilirsiniz tahmin saatlerde serisi.İçinde başlayan SQL Server 2008 standardı, belirtebilirsiniz. Microsoft zaman Series algoritma kullanımı aşağıdaki ayarlardan birini:
Yalnızca ARTxp kısa dönemli tahmin için kullanın.
Yalnızca ARIMA uzun dönemli tahmin için kullanın.
İki algoritmaları varsayılan harmanlama kullanın.
İçinde başlayan SQL Server 2008 Enterprise, özelleştirebileceğiniz nasıl Microsoft zaman Series algoritması Karışımlar modeller için tahmin.Karışık bir model kullandığınızda Microsoft zaman Series algoritması karışan iki algoritmaları şu şekilde:
Her zaman yalnızca ARTxp Öngörüler kelimenin ilk yapmak için kullanılır.
Kelimenin ilk Öngörüler sonra ARIMA ve ARTxp birleşimi kullanılır.
Tahmin adımları sayısı arttıkça, ARTxp artık kullanılmayan kadar Öngörüler ARIMA üzerinde daha yoğun olarak kullanır.
Karıştırma noktası, hangi ARTxp ağırlığını azalır ve PREDICTION_SMOOTHING parametreyi ayarlayarak ARIMA ağırlığı artırılmış hızı kontrol eder.
Her iki algoritmaları olabilir algılamak verilerde birden çok düzeyde seasonality.Örneğin, verilerinizi aylık döngü içinde yıllık döngü yuvalanmış içerebilir.Bu Mevsimlik döngüleri algılamak için periodicity ipucu verin veya algoritma periodicity otomatik olarak algılamak belirtebilirsiniz.
Periodicity yanı sıra davranışını denetleyen birkaç parametre vardır Microsoft zaman periodicity, algıladığı zaman Series algoritması Öngörüler, yapar veya analiz eder durumda.Nasıl hakkında bilgi için küme algoritma parametreleri için bkz: Microsoft zaman Series algoritması Teknik Başvurusu.
Zaman serisi modeller için gerekli veri
Ne zaman size hazırlamak veri için kullanılan herhangi bir veri eğitim araştırma modeli, belirli bir modeli ve verileri nasıl kullanıldığı için gereksinimleri anladığınızdan emin olun.
Her model içermesi gerekir tahmin bir durum serisi, saat dilimleri veya üzerinde değişiklik meydana diğer serilerini belirtir sütun.Örneğin, önceki çizimde veri serisi tarihsel ve tahmin edilen bisiklet satış için birkaç ay bir süre gösterilir.Bu model için her bölge bir dizi ve durum serisi olan saat serisi tarih sütunu içerir.Diğer modeller, durum serisi bir metin alan veya bir müşteri kimliği veya işlem kimliği gibi bazı tanımlayıcı olabilir.Ancak, bir zaman serisi modeli her zaman tarih, saat veya bazı diğer benzersiz sayısal değeri, durum serisi için kullanmanız gerekir.
Bir saat serisi modeli gereksinimleri aşağıdaki gibidir:
Bir tek anahtar saati sütunuher modeli modeli kullanan saat dilimleri tanımlayan durum serisi olarak kullanılan bir sayısal veya tarih sütun içermelidir.Veri türü için anahtar saat sütun datetime veri türü veya sayısal veri türü olabilir.Ancak, sürekli değerleri sütun içermelidir ve değerler her dizi için benzersiz olması gerekir.Bir saat serisi modeli için durum serisi gibi bir yıl sütun, iki sütun ve bir ay sütununda depolanamaz.
A tahmin edilebilir sütunher modeli en az birini içermelidir tahmin edilebilir sütun etrafında hangi saat serisi modeli algoritma oluşturacaksınız.Veri türü tahmin edilebilir sütun sürekli değerleri olmalıdır.Örneğin, nasıl sayısal, saat içinde gelir, Satışlar veya sıcaklık, değişikliği gibi öznitelikleri tahmin edebilir.Ancak, satın alma durumu veya, eğitim düzey gibi ayrık değerler olarak içeren bir sütunu kullanamazsınız tahmin edilebilir sütun.
İsteğe bağlı serisi anahtar sütunher modeli ek bir anahtar olabilir sütun tanımlayan bir dizi benzersiz değerler içerir.İsteğe bağlı serisi anahtar sütun benzersiz değerler içermesi gerekir.Örneğin, her ürün adı her saat dilim için yalnızca bir kayıt var olduğu sürece tek bir modeli birçok ürün modelleri için satış içerir.
Girilen verilerin tanımladığınız Microsoft zaman serisi modelinde birkaç farklı yolla.Ancak, giriş durumlarda biçimi tanımını etkiler çünkü araştırma modeli, iş ihtiyaçlarınızı düşünün ve buna göre verilerinizi hazırlayın.Aşağıdaki iki örnek model giriş verilerinin nasıl etkilediği görülmektedir.Örneklerin her ikisinde de, dört ayrı serisi desenleri tamamlanan araştırma modeli içerir:
Ürün a satış
b ürün satış
a ürünü için birim
b ürünün birim
Örneklerin her ikisinde de, gelecekte yeni satış ve her ürün için birim tahmin edebilir.saat veya ürün için yeni değerleri tahmin edemezsiniz.
Örnek 1: İki öngörülebilir sütunlar
Bu örnek aşağıdaki kullanır tablo giriş durumlarda:
TimeID |
Ürün |
Satış |
Birim |
|---|---|---|---|
1/2001 |
A |
1000 |
600 |
2/2001 |
A |
1100 |
500 |
1/2001 |
B |
500 |
900 |
2/2001 |
B |
300 |
890 |
The TimeID column in the table contains a time identifier, and has two entries for each day.The TimeID column becomes the case series.Bu nedenle, bu sütun sütun olarak anahtar saat saat serisi modeli için belirleyeceğiniz.
The Product column defines a product in the database.Bu sütun, ürün serisini içerir.Bu nedenle, bu sütun saat serisi modeli için ikinci bir anahtar olarak belirleyeceğiniz.
The Sales column describes the gross profits of the specified product for one day, and the Volume column describes the quantity of the specified product that remains in the warehouse.Bu iki sütun modeli eğitmek için kullanılan veri içerir.
Örnek 2: Dört öngörülebilir sütunlar
Bu örnek temelde aynı giriş verileri ilk örnek olarak kullansa da, giriş verileri farklı şekilde, aşağıdaki gösterildiği gibi yapısal tablo:
TimeID |
A_Sales |
A_Volume |
B_Sales |
B_Volume |
|---|---|---|---|---|
1/2001 |
1000 |
600 |
500 |
900 |
2/2001 |
1100 |
500 |
300 |
890 |
Bu tablo, TimeID sütun hala içeren durum serisi saat serisi modeli için hangi belirleyeceğiniz saat anahtar sütun.Ancak, önceki Sales ve Volume sütunları şimdi iki sütun halinde bölün ve her biri bu sütunlar tarafından önündeürünün adı. Sonuç olarak, her bir gün için yalnızca tek bir giriş var TimeID sütun.Bu dört öngörülebilir sütun içerir bir saat serisi modeli oluşturur: A_Sales, A_Volume, B_Sales ve B_Volume.
Ayrıca, ürünlerin içine farklı ayrılmış olduğundan sütuns, yüklü bir ek serisi anahtar belirtmek sütun.Tüm sütunları modelinde durum serisi sütun ya da tahmin edilebilir sütun.
Bir zaman serisi modeli görüntüleme
Modeli eğitim almış sonra sonuçlar olarak saklanan bir küme keşfedin ya da Öngörüler yapmak için kullanmak desenler.
Model keşfetmek için kullanabileceğiniz Zaman Series Görüntüleyicisi.Gelecekteki Öngörüler ve dönemsel yapıları bir ağaç görünümünde verileri görüntüleyen bir grafik Görüntüleyicisi'ni içerir.
Öngörüler nasıl hesaplandığını hakkında daha fazla bilgi edinmek istiyorsanız, modelinde göz Microsoft Genel içerik ağacı Görüntüleyici.Model için depolanan içeriği ARIMA ve ARTxp algoritması için algoritmaları ve diğer İstatistikler karıştırmak için kullanılan Denklem algılanan dönemsel yapıları gibi ayrıntıları içerir.
Zaman serisi Öngörüler oluşturma
Bir saat serisi modeli görüntülediğinizde, varsayılan olarak, Analysis Services gösterir, beşe serisi.Ancak Öngörüler değişken sayıda dönmek için sorgular oluşturabilirsiniz ve tanımlayıcı istatistik dönmek için Öngörüler için ek sütunlar olabilir.Bir saat serisi modeli karşı sorguları oluşturma hakkında daha fazla bilgi için bkz: Bir zaman serisi modeli sorgulama (- Analysis Services veri madenciliği).saat serisi Öngörüler yapmak için veri Mining Extensions (dmx) nasıl örnekler için bkz: PredictTimeSeries (dmx).
Kullanırken Microsoft zaman Series algoritması, Öngörüler yapmak için aşağıdaki ek kısıtlamaları ve gereksinimleri dikkate almalısınız:
Çapraz tahmin yalnızca karma modeli veya bir modeli ARTxp algoritmasına dayanan kullandığınızda kullanılabilir.Yalnızca ARIMA algoritmasına dayanan bir modelini kullanırsanız, çapraz tahmin mümkün değildir.
Bir saat serisi modeli, bazen önemli ölçüde sunucunun kullandığı 64-bit işletim sistemi türüne bağlı olarak farklı Öngörüler yapabilirsiniz.Bu farklar biçimi nedeniyle oluşur, bir Itanium-tabanlı sistem temsil eder ve işleme biçimi farklıdır ve kayan noktalı aritmetik için numaraları, bir x64-tabanlı sistem yapar bu hesaplamalar.Tahmin sonuçlar işletim sistemine özgü olduğundan, aynı işletim sistemindeki üretimde kullanacağı modelleri değerlendirmeniz önerilir.
Açıklamalar
Veri madenciliği modelleri oluşturmak için öngörü modeli İşaretleme Dili (pmml) kullanılmasını desteklemez.
olap veri madenciliği modelleri destekler.
Veri madenciliği boyutları oluşturulmasını desteklemez.
detaylandırma destekler.
Ayrıca bkz.