Microsoft Time Series-Algorithmus

Gilt für: SQL Server 2019 und früher Analysis Services Azure Analysis Services Fabric/Power BI Premium

Der Microsoft Time Series-Algorithmus stellt mehrere Algorithmen bereit, die für die Prognose kontinuierlicher Werte, z. B. Produktverkäufe, im Laufe der Zeit optimiert sind. Während andere Microsoft-Algorithmen, z. B. Entscheidungsstrukturen, zusätzliche Spalten mit neuen Informationen als Eingabe erfordern, um einen Trend vorherzusagen, ist dies bei einem Zeitreihenmodell nicht der Fall. Ein Zeitreihenmodell kann Trends schon auf Grundlage des ursprünglichen Datasets vorhersagen, das zum Erstellen des Modells verwendet wird. Sie können dem Modell auch neue Daten hinzufügen, wenn Sie eine Vorhersage treffen, und die neuen Daten automatisch in die Trendanalyse einbeziehen.

Das folgende Diagramm zeigt ein typisches Modell für die Umsatzvorhersage zu einem Produkt in vier verschiedenen Verkaufsregionen über einen bestimmten Zeitraum. Das Modell im Diagramm stellt die Verkaufszahlen für die einzelnen Regionen in Form roter, gelber, violetter und blauer Linien dar. Die Linie für jeden Region besteht aus zwei Teilen:

• Links von der vertikalen Linie stehen die Vergangenheitsdaten. Dies sind die Daten, auf deren Grundlage das Modell vom Algorithmus erstellt wird.

• Rechts von der vertikalen Linie stehen die Prognosedaten. Diese stellen die vom Modell aufgestellte Prognose dar.

Die Kombination der Quelldaten und der Vorhersagedaten wird als Reihebezeichnet.

Ein wichtiges Feature des Microsoft Time Series-Algorithmus ist, dass er Kreuzvorhersagen durchführen kann. Wenn Sie den Algorithmus mit zwei separaten, jedoch miteinander verknüpften Reihen trainieren, können Sie das daraus resultierende Modell dazu verwenden, das Ergebnis einer Reihe basierend auf dem Verhalten der anderen Reihe vorherzusagen. Beispiel: Die Verkaufsbeobachtungen zu einem Produkt können die Verkaufsprognosen für ein anderes Produkt beeinflussen. Eine Kreuzvorhersage dient auch zum Erstellen eines allgemeinen Modells, das auf mehrere Reihen angewendet werden kann. Zum Beispiel sind die Vorhersagen für eine bestimmte Region instabil, da der Reihe Daten guter Qualität fehlen. Sie könnten aber ein allgemeines Modell mit einem Durchschnittswert für alle vier Regionen trainieren und das Modell anschließend auf die einzelne Reihe anwenden, um für jede Region stabilere Prognosen zu erstellen.

Beispiel

Das Managementteam von Adventure Works Cycles will den monatlichen Fahrradumsatz für das kommende Jahr vorhersagen. Insbesondere interessiert sich die Firma für die Frage, ob sich mit den Verkaufszahlen für ein bestimmtes Fahrradmodell die Verkaufszahlen für ein anderes Modell vorhersagen lassen. Durch Die Verwendung des Microsoft Time Series-Algorithmus für historische Daten aus den letzten drei Jahren kann das Unternehmen ein Data Mining-Modell erstellen, das zukünftige Fahrradverkäufe prognostiziert. Darüber hinaus kann die Firma mithilfe von Kreuzvorhersagen feststellen, ob die Verkaufstrends individueller Fahrradmodelle miteinander in Beziehung stehen.

In jedem Quartal möchte die Firma das Modell mit den letzten Verkaufsdaten und die Vorhersagen aktualisieren, um Trends aus der jüngsten Vergangenheit zu modellieren. Um Werte von Geschäften zu korrigieren, die ihre Verkaufszahlen nicht sorgfältig oder konsequent aktualisieren, wird ein allgemeines Prognosemodell erstellt, anhand dessen Prognosen für alle Regionen getroffen werden.

Funktionsweise des Algorithmus

In SQL Server 2005 (9.x) verwendete der Microsoft Time Series-Algorithmus eine einzelne autoregressive Zeitreihenmethode namens ARTXP. Der ARTXP-Algorithmus wurde für kurzfristige Vorhersagen optimiert und prognostizierte daher mit hoher Sicherheit den wahrscheinlich nächsten Wert in einer Serie. Ab SQL Server 2008 hat der Microsoft Time Series-Algorithmus einen zweiten Algorithmus hinzugefügt, ARIMA, der für langfristige Vorhersagen optimiert wurde. Eine ausführliche Erklärung der Implementierung der Algorithmen ARTXP und ARIMA finden Sie unter Microsoft Time Series Algorithm Technical Reference.

Standardmäßig verwendet der Microsoft Time Series-Algorithmus eine Mischung der Algorithmen, wenn er Muster analysiert und Vorhersagen macht. Der Algorithmus trainiert zwei separate Modelle mit den gleichen Daten: Ein Modell verwendet den ARTXP-Algorithmus, das andere den ARIMA-Algorithmus. Der Algorithmus kombiniert dann die Ergebnisse der beiden Modelle, um die beste Vorhersage für eine variable Anzahl von Zeitscheiben zu erhalten. Da sich der ARTXP-Algorithmus am besten für kurzfristige Vorhersagen eignet, wird er am Anfang einer Folge von Vorhersagen stärker gewichtet. Bei den Vorhersagen für Zeitscheiben, die weiter in der Zukunft liegen, wird dagegen der ARIMA-Algorithmus immer stärker gewichtet.

Sie können das Mischen der Algorithmen beeinflussen, wenn Sie eher kurz- oder eher langfristige Vorhersagen in der Zeitreihe wünschen. Ab SQL Server 2008 Standard können Sie den zu verwendenden Algorithmus angeben:

• Für kurzfristige Vorhersage nur ARTXP verwenden.

• Für langfristige Vorhersage nur ARIMA verwenden.

• Standardmischung der beiden Algorithmen verwenden.

Ab SQL Server 2008 Enterprise können Sie auch anpassen, wie der Microsoft Time Series-Algorithmus die Modelle für die Vorhersage kombiniert. Wenn Sie ein gemischtes Modell verwenden, kombiniert der Microsoft Time Series-Algorithmus die beiden Algorithmen wie folgt:

• Für die ersten Vorhersagen wird stets nur ARTXP verwendet.

• Nach den ersten Vorhersagen wird eine Kombination von ARIMA und ARTXP verwendet.

• Mit zunehmender Anzahl von Vorhersagestufen beruhen die Vorhersagen immer mehr auf ARIMA, bis ARTXP nicht mehr verwendet wird.

• Mit dem Parameter PREDICTION_SMOOTHING steuern Sie den Mischungsgrad, die Geschwindigkeit, mit der das Gewicht von ARTXP abnimmt und das Gewicht von ARIMA zunimmt.

Beide Algorithmen können die Saisonabhängigkeit von Daten auf mehreren Ebenen erkennen. Zum Beispiel können die Daten innerhalb jährlicher Zyklen geschachtelte Monatszyklen enthalten. Zum Erkennen dieser saisonalen Zyklen können Sie entweder einen Periodizitätshinweis geben oder festlegen, dass der Algorithmus Periodizität automatisch erkennen soll.

Zusätzlich zur Periodizität gibt es mehrere andere Parameter, die das Verhalten des Microsoft Time Series-Algorithmus steuern, wenn er Periodizität erkennt, Vorhersagen trifft oder Fälle analysiert. Weitere Informationen zum Festlegen von Algorithmusparametern finden Sie unter Microsoft Time Series Algorithm Technical Reference.

Anforderungen für Zeitreihenmodelle

Wenn Sie Daten für das Training von Data Mining-Modellen aufbereiten, machen Sie sich mit den Anforderungen des jeweiligen Modells und mit der Verwendungsweise der Daten vertraut.

Jedes Vorhersagemodell muss eine Fallreihe enthalten. Damit ist die Spalte gemeint, welche die Zeitscheiben oder -reihen angibt, in denen Änderungen auftreten. Die Daten im vorherigen Diagramm zeigen z. B. die Reihen für Fahrradverkäufe in der Vergangenheit und in Zukunft über einen Zeitraum von mehreren Monaten. In diesem Modell stellt jede Region eine Reihe dar, und die Datumsspalte enthält die Zeitreihe, die zugleich die Fallreihe ist. In anderen Modellen kann es sich bei der Fallreihe um ein Textfeld oder um eine ID, etwa eine Kunden- oder Transaktions-ID, handeln. In einem Zeitreihenmodell muss jedoch stets ein Datum, eine Uhrzeit oder ein anderer eindeutiger numerischer Wert für die Fallserie verwendet werden.

Für Zeitreihenmodelle gelten folgende Anforderungen:

• Eine einzelne Schlüsselzeitspalte Jedes Modell muss eine numerische oder Datumsspalte enthalten, die als Fallserie verwendet wird. Diese definiert die Zeitscheiben, die das Modell verwendet. Beim Datentyp der Schlüsselzeitspalte kann es sich entweder um einen datetime-Datentyp oder um einen numerischen Datentyp handeln. Die Spalte muss jedoch fortlaufende Werte enthalten, und die Werte müssen für jede Reihe eindeutig sein. Die Fallreihe für ein Zeitreihenmodell kann nicht in zwei Spalten gespeichert sein, beispielsweise in einer Jahres- und in einer Monatsspalte.

• Eine vorhersagbare Spalte Jedes Modell muss mindestens eine vorhersagbare Spalte enthalten, auf deren Grundlage der Algorithmus das Zeitreihenmodell erstellt. Der Datentyp der vorhersagbaren Spalte muss fortlaufende Werte enthalten. Sie können beispielsweise vorhersagen, wie sich numerische Attribute, z. B. Einkommen, Verkäufe oder Temperatur, im Laufe der Zeit ändern. Sie können als vorhersagbare Spalte jedoch keine Spalte mit diskreten Werten wie Kaufstatus oder Bildungsgrad verwenden.

• Eine optionale Reihenschlüsselspalte Jedes Modell kann eine zusätzliche Schlüsselspalte mit eindeutigen Werten aufweisen, die eine Reihe identifizieren. Die optionale Reihenschlüsselspalte muss eindeutige Werte enthalten. Ein einzelnes Modell kann z. B. Verkaufszahlen für viele Produktmodelle enthalten, solange für jeden Produktnamen in jeder Zeitscheibe nur ein Datensatz vorhanden ist.

Sie können Eingabedaten für das Microsoft Time Series-Modell auf verschiedene Arten definieren. Da das Format der Eingabefälle jedoch die Definition des Miningmodells beeinflusst, müssen Sie die Anforderungen Ihres Unternehmens berücksichtigen und die Daten entsprechend aufbereiten. Die beiden folgenden Beispiele zeigen, wie die Eingabedaten das Modell beeinflussen. In beiden Beispielen enthält das vollständige Miningmodell Muster für vier unterschiedliche Reihen:

• Verkäufe für Produkt A

• Verkäufe für Produkt B

• Menge für Produkt A

• Menge für Produkt B

In beiden Beispielen können Sie neue künftige Verkäufe und Mengen für jedes Produkt vorhersagen. Neue Werte für Produkt oder Zeit können nicht vorhergesagt werden.

Beispiel 1: Zeitreihendataset, dessen Reihen als Spaltenwerte dargestellt sind

In diesem Beispiel wird die folgende Tabelle von Eingabefällen verwendet:

Die TimeID-Spalte in der Tabelle enthält einen Zeitbezeichner und weist für jeden Tag zwei Einträge auf. Die Spalte TimeID wird zur Fallreihe. Deshalb legen Sie diese Spalte als Schlüsselzeitspalte für das Zeitreihenmodell fest.

Die Produkt-Spalte definiert ein Produkt in der Datenbank. Diese Spalte enthält die Produktreihe. Daher legen Sie diese Spalte als einen zweiten Schlüssel für das Zeitreihenmodell fest.

Die Verkauf-Spalte beschreibt den für das Produkt erzielten Bruttogewinn pro Tag. Die Menge-Spalte beschreibt, in welcher Stückzahl das angegebene Produkt im Lager vorrätig ist. Diese beiden Spalten enthalten die Daten, die zum Trainieren des Modells verwendet werden. Sowohl Sales als auch Volume können vorhersagbare Attribute für jede Reihe in der Spalte Product sein.

Beispiel 2: Zeitreihendataset mit jeder Reihe in einer separaten Spalte

Zwar werden in diesem Beispiel im Wesentlichen die gleichen Eingabedaten verwendet wie im ersten Beispiel, allerdings sind die Eingabedaten anders strukturiert, wie die folgende Tabelle zeigt:

In dieser Tabelle enthält die TimeID-Spalte weiterhin die Fallreihe für das Zeitreihenmodell, und diese Spalte wird als Schlüsselzeitspalte festgelegt. Die Spalten Verkauf und Menge der vorherigen Tabelle sind hier in jeweils zwei Spalten geteilt, denen der Produktname vorangestellt wurde. Dadurch enthält die TimeID-Spalte für jeden Tag nur einen Eintrag. So entsteht ein Zeitreihenmodell, das vier Vorhersagespalten enthält: A_Verkauf, A_Menge, B_Verkauf und B_Menge.

Da Sie die Produkte außerdem auf verschiedene Spalten verteilt haben, müssen Sie keine zusätzliche Reihenschlüsselspalte angeben. Alle Spalten im Modell sind entweder eine Fallreihenspalte oder eine vorhersagbare Spalte.

Anzeigen eines Zeitreihenmodells

Nachdem das Modell trainiert wurde, werden die Ergebnisse als Mustersatz gespeichert, den Sie durchsuchen oder zum Erstellen von Vorhersagen verwenden können.

Um das Modell zu durchsuchen, können Sie den Time Series-Viewerverwenden. Der Viewer enthält ein Diagramm, in dem künftige Vorhersagen angezeigt werden, und eine Strukturansicht der periodischen Strukturen in den Daten.

Wenn Sie mehr darüber wissen möchten, wie die Vorhersagen berechnet werden, können Sie das Modell im Microsoft Generic Content Tree Viewerdurchsuchen. Die für das Modell gespeicherten Inhalte umfassen Details wie die von den Algorithmen ARIMA und ARTXP erkannten periodischen Strukturen, die zum Mischen der Algorithmen verwendete Gleichung sowie weitere Statistiken.

Erstellen von Zeitreihenvorhersagen

Wenn Sie ein Zeitreihenmodell anzeigen, zeigt SQL Server Analysis Services standardmäßig fünf Vorhersagen für die Datenreihe an. Sie können jedoch Abfragen erstellen, um eine variable Anzahl von Vorhersagen zu erhalten, und Sie können den Vorhersagen zusätzliche Spalten hinzufügen, um aussagekräftige Statistiken zu erzeugen. Informationen zum Erstellen von Abfragen eines Zeitreihenmodells finden Sie unter Abfragebeispiel Zeitreihenmodell. Beispiele für die Verwendung von Data Mining-Erweiterungen (DMX) zum Treffen von Zeitreihenvorhersagen finden Sie unter PredictTimeSeries (DMX).

Wenn Sie den Microsoft Time Series-Algorithmus verwenden, um Vorhersagen zu treffen, sollten Sie die folgenden zusätzlichen Einschränkungen und Anforderungen berücksichtigen:

• Eine Kreuzvorhersage ist nur verfügbar, wenn Sie ein gemischtes oder ein ausschließlich auf dem ARTXP-Algorithmus basierendes Modell verwenden. Bei Modellen, die nur auf dem ARIMA-Algorithmus beruhen, sind Kreuzvorhersagen nicht möglich.

• Ein Zeitreihenmodell kann gelegentlich auch stark abweichende Vorhersagen erstellen; dies hängt vom 64-Bit-Betriebssystem des Servers ab. Diese Unterschiede treten auf die Art und Weise auf, wie ein Itanium-basiertes System Zahlen für Gleitkommaarithmetik darstellt und behandelt, was sich von der Art unterscheidet, wie ein x64-basiertes System diese Berechnungen durchführt. Da die Vorhersageergebnisse für das Betriebssystem spezifisch sein können, empfiehlt es sich, Modelle auf dem gleichen Betriebssystem auszuwerten, das Sie in der Produktion verwenden.

Hinweise

• Unterstützt nicht die Verwendung von PMML (Predictive Model Markup Language) zum Erstellen von Miningmodellen.

• Unterstützt die Verwendung von OLAP-Miningmodellen.

• Unterstützt nicht die Erstellung von Data Mining-Dimensionen.

• Unterstützt Drillthrough.

Weitere Informationen

Data Mining-Algorithmen (Analysis Services - Data Mining)
Durchsuchen eines Modells mit Microsoft Time Series-Viewer
Microsoft Time Series Algorithm Technical Reference
Abfragebeispiel Zeitreihenmodell
Miningmodellinhalt von Zeitreihenmodellen (Analysis Services – Data Mining)