series_decompose_forecast()
S’applique à : ✅Microsoft Fabric✅Azure Data Explorer✅Azure Monitor✅Microsoft Sentinel
Prévision basée sur la décomposition de la série.
Prend une expression contenant une série (tableau numérique dynamique) comme entrée et prédit les valeurs des derniers points de fin. Pour plus d’informations, consultez series_decompose.
Syntaxe
series_decompose_forecast(Points de série ,[ Tendance de saisonnalité, , Seasonality_threshold ],)
En savoir plus sur les conventions de syntaxe.
Paramètres
| Nom | Type | Requise | Description |
|---|---|---|---|
| Série | dynamic |
✔️ | Tableau de valeurs numériques, généralement la sortie résultante d’opérateurs make-series ou make_list . |
| Points | int |
✔️ | Spécifie le nombre de points à la fin de la série à prédire ou à prévoir. Ces points sont exclus du processus d’apprentissage ou de régression. |
| Saisonnalité | int |
Contrôle l’analyse saisonnière. Les valeurs possibles sont les suivantes : - -1: détection automatique de la saisonnalité à l’aide de series_periods_detect. Il s’agit de la valeur par défaut.- Période : entier positif spécifiant la période attendue dans le nombre de compartiments. Par exemple, si la série se trouve dans 1 - h des bacs, une période hebdomadaire est de 168 bacs.- 0: pas de saisonnalité, donc ignorer l’extraction de ce composant. |
|
| Tendance | string |
Contrôle l’analyse des tendances. Les valeurs possibles sont les suivantes : - avg: Définir le composant de tendance en tant que average(x). Il s’agit de la valeur par défaut.- linefit: extraire le composant de tendance à l’aide de la régression linéaire.- none: Aucune tendance, donc ignorer l’extraction de ce composant. |
|
| Seasonality_threshold | real |
Seuil du score de saisonnalité lorsque la saisonnalité est définie sur la détection automatique. Le seuil de score par défaut est 0,6. Pour plus d’informations, consultez series_periods_detect. |
Retours
Tableau dynamique avec la série prévue.
Remarque
- Le tableau dynamique de la série d’entrée d’origine doit inclure un certain nombre d’emplacements à prévoir. La prévision est généralement effectuée à l’aide de la série make-series et en spécifiant l’heure de fin dans la plage qui inclut la période à prévoir.
- La saisonnalité ou la tendance doivent être activées, sinon la fonction est redondante et retourne simplement une série remplie de zéros.
Exemple
Dans l’exemple suivant, nous générons une série de quatre semaines dans un grain horaire, avec une saisonnalité hebdomadaire et une petite tendance à la hausse. Nous utilisons make-series ensuite et ajoutons une autre semaine vide à la série. series_decompose_forecast est appelé avec une semaine (24*7 points), et il détecte automatiquement la saisonnalité et la tendance, et génère une prévision de l’ensemble de la période de cinq semaines.
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
