series_decompose_forecast()
Platí pro: ✅Microsoft Fabric✅Azure Data Explorer✅Azure Monitor✅Microsoft Sentinel
Prognóza založená na rozkladu řad
Přebírá výraz obsahující řadu (dynamickou číselnou matici) jako vstup a předpovídá hodnoty posledních koncových bodů. Další informace najdete v tématu series_decompose.
Syntaxe
series_decompose_forecast(, Series Points, [ Sezónnost, Trend, Seasonality_threshold ])
Přečtěte si další informace o konvencích syntaxe.
Parametry
| Název | Type | Požadováno | Popis |
|---|---|---|---|
| Řada | dynamic |
✔️ | Matice číselných hodnot, obvykle výsledný výstup operátorů make-series nebo make_list . |
| Výhybka | int |
✔️ | Určuje počet bodů na konci řady, které se mají předpovědět nebo předpovídat. Tyto body jsou vyloučeny z procesu učení nebo regrese. |
| Sezónnost | int |
Řídí sezónní analýzu. Možné hodnoty: - -1: Automatické rozpoznávání sezónnosti pomocí series_periods_detect. Tato hodnota je výchozí.- Období: Kladné celé číslo určující očekávané období v počtu intervalů. Pokud je například řada v 1 - h intervalech, týdenní období je 168 intervalů.- 0: Žádné sezónnosti, takže přeskočte extrahování této komponenty. |
|
| Trend | string |
Řídí analýzu trendu. Možné hodnoty: - avg: Definujte komponentu trendu jako average(x). Tato možnost je výchozí.- linefit: Extrahujte komponentu trendu pomocí lineární regrese.- none: Žádný trend, takže přeskočte extrahování této komponenty. |
|
| Seasonality_threshold | real |
Prahová hodnota pro sezónní skóre, když je sezónnost nastavená na automatické rozpoznávání. Výchozí prahová hodnota skóre je 0,6. Další informace najdete v tématu series_periods_detect. |
Návraty
Dynamické pole s předpověděnou řadou.
Poznámka:
- Dynamické pole původní vstupní řady by mělo zahrnovat řadu slotů bodů , které se mají předpovídat. Prognóza se obvykle provádí pomocí řady make-series a určením koncového času v rozsahu, který zahrnuje časový rámec prognózy.
- Měla by být povolena sezónnost nebo trend, jinak je funkce redundantní a vrátí jen řadu naplněnou nulami.
Příklad
V následujícím příkladu vygenerujeme řadu čtyř týdnů v hodinovém agregačním intervalu s týdenní sezónností a malým vzestupným trendem. Pak použijeme make-series a přidáme do řady další prázdný týden. series_decompose_forecast se volá s týdnem (24*7 bodů) a automaticky zjistí sezónnost a trend a vygeneruje prognózu celého pětitýdenního období.
let ts=range t from 1 to 24*7*4 step 1 // generate 4 weeks of hourly data
| extend Timestamp = datetime(2018-03-01 05:00) + 1h * t
| extend y = 2*rand() + iff((t/24)%7>=5, 5.0, 15.0) - (((t%24)/10)*((t%24)/10)) + t/72.0 // generate a series with weekly seasonality and ongoing trend
| extend y=iff(t==150 or t==200 or t==780, y-8.0, y) // add some dip outliers
| extend y=iff(t==300 or t==400 or t==600, y+8.0, y) // add some spike outliers
| make-series y=max(y) on Timestamp from datetime(2018-03-01 05:00) to datetime(2018-03-01 05:00)+24*7*5h step 1h; // create a time series of 5 weeks (last week is empty)
ts
| extend y_forcasted = series_decompose_forecast(y, 24*7) // forecast a week forward
| render timechart
