Anpassen und Verarbeiten des Forecasting-Modells (Data Mining-Lernprogramm für Fortgeschrittene)

Artikel
05/07/2013

Der Microsoft Time Series-Algorithmus umfasst mehrere Parameter, die sich darauf auswirken, wie ein Modell angelegt und wie die Zeitdaten analysiert werden. Eine Änderung dieser Eigenschaften kann sich wesentlich auf die Methode auswirken, mit der das Miningmodell Vorhersagen trifft.

Führen Sie für diesen Task im Lernprogramm die folgenden Tasks aus, das Modell zu ändern:

Sie passen die Art an, wie das Modell Zeiträume behandelt, indem Sie einen neuen Wert für den PERIODICITY_HINT-Parameter hinzufügen.
Sie erfahren über zwei andere wichtige Parameter für den Microsoft Time Series-Algorithmus: FORECAST_METHOD, mit dem Sie die zur Prognoseerstellung verwendete Methode festlegen, und PREDICTION_SMOOTHING, mit dem Sie den Übergang von langfristigen und kurzfristigen Vorhersagen anpassen können.
Optional geben Sie dem Algorithmus an, wie fehlende Werte zugeschrieben werden sollen.
Nachdem die Änderungen vorgenommen wurden, stellen Sie das Modell bereit und verarbeiten es.

Festlegen von Zeitreihenparametern

Periodizitätshinweise

Der PERIODICITY_HINT-Parameter stellt dem Algorithmus Informationen zu zusätzlichen Zeiträumen bereit, die Sie in den Daten zu sehen erwarten. Standardmäßig versuchen Zeitreihenmodelle, automatisch ein Muster in den Daten zu erkennen. Wenn Sie jedoch bereits den erwarteten Zeitzyklus kennen, kann ein Periodizitätshinweis die Genauigkeit des Modells eventuell verbessern. Wenn Sie jedoch den falschen Periodizitätshinweis geben, kann dies die Genauigkeit verringern; wenn Sie also nicht sicher sind, welcher Wert verwendet werden soll, ist es am besten, beim Standard zu bleiben.

Die Sicht beispielsweise, die für dieses Modell verwendet wird, aggregiert monatlich Umsatzdaten von Adventure Works DW Multidimensional 2012 . Daher steht jede vom Modell verwendete Zeitscheibe einen Monat dar, und alle Vorhersagen werden in Bezug auf Monate getroffen. Da ein Jahr 12 Monate hat und man davon ausgehen kann, dass sich Verkaufsmuster jährlich mehr oder weniger wiederholen, setzen Sie den PERIODICITY_HINT-Parameter auf 12 und geben so an, dass 12 Zeitscheiben (Monate) einen vollständigen Verkaufszyklus bilden.

Prognosemethode

Mit dem FORECAST_METHOD-Parameter wird die Optimierung des Zeitreihenalgorithmus für kurz- oder langfristige Vorhersagen gesteuert. Der FORECAST_METHOD-Parameter ist standardmäßig auf MIXED festgelegt. Dies bedeutet, dass zwei verschiedene Algorithmen zusammengeführt und ausgeglichen werden, um gute Ergebnisse für die Kurzzeit- und Langzeitvorhersage zu liefern.

Wenn Sie jedoch wissen, dass Sie einen bestimmten Algorithmus verwenden möchten, können Sie den Wert entweder in ARIMA oder in ARTXP ändern.

Langfristiges Gewichten und Kurzfristige Vorhersagen

Mit dem PREDICTION_SMOOTHING-Parameter können Sie auch die Methode anpassen, mit der langfristige und kurzfristige Vorhersagen kombiniert werden. Der Parameter ist standardmäßig auf 0,5 festgelegt; dies stellt den besten Kompromiss für die Gesamtgenauigkeit dar.

So ändern Sie die Algorithmusparameter

Klicken Sie auf der Registerkarte Miningmodelle mit der rechten Maustaste auf Forecasting, und wählen Sie Algorithmusparameter festlegen.
Klicken Sie im Dialogfeld Algorithmusparameter in der Zeile PERIODICITY_HINT auf die Spalte Value, und geben Sie {12} einschließlich der Klammern ein.

Standardmäßig fügt der Algorithmus auch den Wert {1} hinzu.
Überprüfen Sie, ob das Textfeld Value in der Zeile FORECAST_METHOD entweder leer ist oder den Wert MIXED enthält. Wenn ein anderer Wert eingegeben wurde, geben Sie MIXED ein, um den Parameter wieder auf den Standardwert einzustellen.

Überprüfen Sie in der Zeile PREDICTION_SMOOTHING, dass das Textfeld Value leer ist oder den Wert 0,5 aufweist. Wenn ein anderer Wert eingegeben wurde, klicken Sie auf Value und geben 0,5 ein, um den Parameter wieder auf den Standardwert einzustellen.

Hinweis
Der PREDICTION_SMOOTHING-Parameter ist nur in SQL Server Enterprise verfügbar. Sie können den Wert des PREDICTION_SMOOTHING-Parameters daher in SQL Server Standard nicht ändern. Das Standardverhalten sieht jedoch die Verwendung beider Algorithmen mit gleicher Gewichtung vor.

Klicken Sie auf OK.

Behandeln von unvollständigen Daten (optional)

Es kann häufig vorkommen, dass Verkaufsdaten unvollständig und mit NULL-Werten angegeben sind; auch kann es sein, dass die entsprechenden Daten nicht rechtzeitig von der Niederlassung gemeldet wurden und das Ende der Reihe eine leere Zelle aufweist. In derartigen Szenarien wird der folgende Fehler von Analysis Services generiert, und das Modell wird nicht verarbeitet.

"Fehler (Data Mining): Nicht synchronisierte Timestamps, die mit der <Reihename>-Reihe des <Modellname>-Miningmodells beginnen. Alle Zeitreihen müssen an der gleichen Zeitmarkierung enden und dürfen keine beliebig fehlenden Datenpunkte aufweisen. Wenn Sie den MISSING_VALUE_SUBSTITUTION-Parameter auf "Previous" oder auf eine numerische Konstante festlegen, werden nach Möglichkeit automatisch fehlende Datenpunkte ergänzt."

Sie können diese Fehlermeldung umgehen, indem Sie angeben, dass fehlende Werte von Analysis Services automatisch mit einer der folgenden Methoden bereitgestellt werden:

Verwendung eines Mittelwerts. Dieser wird mit allen gültigen Werten in der gleichen Datenreihe berechnet.
Verwendung des vorherigen Werts. Sie können mehrere fehlende Zellen durch vorherige Werte ersetzen; Sie können jedoch keine Anfangswerte auffüllen.
Verwendung eines konstanten Werts, der vom Benutzer angegeben wird.

So füllen Sie Lücken mit Durchschnittswerten

Klicken Sie auf der Registerkarte Miningmodelle mit der rechten Maustaste auf die Spalte Forecasting, und wählen Sie Algorithmusparameter festlegen.
Klicken Sie im Dialogfeld Algorithmusparameter in der Zeile MISSING_VALUE_SUBSTITUTION auf die Spalte Wert und geben Sie Mean ein.

Erstellen des Modells

Um das Modell zu verwenden, müssen Sie es auf einem Server bereitstellen und dann verarbeiten, indem Sie die Trainingsdaten durch den Algorithmus verarbeiten lassen.

So verarbeiten Sie das Prognosemodell

Klicken Sie im Menü Miningmodell von SQL Server-Datentools auf Miningstruktur und alle Modelle verarbeiten.
Klicken Sie in der Meldung mit der Frage, ob Sie das Projekt erstellen und bereitstellen möchten, auf Ja.
Klicken Sie im Dialogfeld Miningstruktur verarbeiten - Forecasting auf Ausführen.

Das Dialogfeld Verarbeitungsstatus wird geöffnet und zeigt Informationen zur Verarbeitung des Modells an. Die Verarbeitung des Modells kann einige Zeit in Anspruch nehmen.
Nachdem die Verarbeitung abgeschlossen ist, klicken Sie auf Schließen, um das Dialogfeld Verarbeitungsstatus zu schließen.
Klicken Sie auf Schließen, um das Dialogfeld Miningstruktur verarbeiten - Forecasting wieder zu schließen.