series_decompose_forecast()
Si applica a: ✅Microsoft Fabric✅Azure Esplora dati✅ Azure Monitor✅Microsoft Sentinel
Previsione basata sulla scomposizione delle serie.
Accetta un'espressione contenente una serie (matrice numerica dinamica) come input e stima i valori degli ultimi punti finali. Per altre informazioni, vedere series_decompose.
Sintassi
series_decompose_forecast(Punti, serie, [ Tendenza , stagionalità, Seasonality_threshold ])
Altre informazioni sulle convenzioni di sintassi.
Parametri
| Nome | Digita | Obbligatorio | Descrizione |
|---|---|---|---|
| Serie | dynamic |
✔️ | Matrice di valori numerici, in genere l'output risultante di operatori make-series o make_list . |
| Punti | int |
✔️ | Specifica il numero di punti alla fine della serie da stimare o prevedere. Questi punti vengono esclusi dal processo di apprendimento o regressione. |
| Stagionalità | int |
Controlla l'analisi stagionale. I valori possibili sono: - -1: correzione automatica della stagionalità tramite series_periods_detect. Questo è il valore predefinito.- Periodo: numero intero positivo che specifica il periodo previsto in numero di contenitori. Ad esempio, se la serie è in 1 - h contenitori, un periodo settimanale è di 168 bin.- 0: nessuna stagionalità, quindi ignorare l'estrazione di questo componente. |
|
| Tendenza | string |
Controlla l'analisi delle tendenze. I valori possibili sono: - avg: definire il componente di tendenza come average(x). Si tratta dell'impostazione predefinita.- linefit: estrarre il componente di tendenza usando la regressione lineare.- none: nessuna tendenza, quindi ignorare l'estrazione di questo componente. |
|
| Seasonality_threshold | real |
Soglia per il punteggio di stagionalità quando La stagionalità è impostata su autodetect. La soglia del punteggio predefinito è 0,6. Per altre informazioni, vedere series_periods_detect. |
Valori restituiti
Matrice dinamica con la serie prevista.
Nota
- La matrice dinamica della serie di input originale deve includere un numero di slot di punti da prevedere. La previsione viene in genere eseguita usando make-series e specificando l'ora di fine nell'intervallo che include l'intervallo di tempo da prevedere.
- La stagionalità o la tendenza devono essere abilitate, altrimenti la funzione è ridondante e restituisce solo una serie piena di zere.
Esempio
Nell'esempio seguente viene generata una serie di quattro settimane in un granulare orario, con stagionalità settimanale e una piccola tendenza verso l'alto. Usiamo quindi make-series e aggiungiamo un'altra settimana vuota alla serie. series_decompose_forecast viene chiamato con una settimana (24*7 punti) e rileva automaticamente la stagionalità e la tendenza e genera una previsione dell'intero periodo di cinque settimane.
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
