series_decompose_forecast()
적용 대상: ✅Microsoft Fabric✅Azure Data Explorer✅Azure Monitor✅Microsoft Sentinel
계열 분해를 기반으로 예측합니다.
계열(동적 숫자 배열)이 포함된 식을 입력으로 사용하고 마지막 후행 지점의 값을 예측합니다. 자세한 내용은 series_decompose 참조하세요.
구문
series_decompose_forecast(계열, 점, [ 계절성 , 추세, Seasonality_threshold ])
구문 규칙에 대해 자세히 알아봅니다.
매개 변수
| 이름 | Type | 필수 | 설명 |
|---|---|---|---|
| Series | dynamic |
✔️ | 숫자 값의 배열로, 일반적으로 메이크 계열 또는 make_list 연산자의 결과 출력입니다. |
| 포인트 | int |
✔️ | 계열의 끝부분에 있는 예측 또는 예측 지점 수를 지정합니다. 이러한 지점은 학습 또는 회귀 프로세스에서 제외됩니다. |
| 계절 | int |
계절 분석을 제어합니다. 가능한 값은 다음과 같습니다. - -1: series_periods_detect 사용하여 계절성을 자동으로 검색합니다. 기본값입니다.- 마침표: 예상 기간을 bin 수로 지정하는 양의 정수입니다. 예를 들어 계열이 bin에 있는 1 - h 경우 주별 기간은 168개 bin입니다.- 0: 계절성이 없으므로 이 구성 요소 추출을 건너뜁니다. |
|
| 추세 | string |
추세 분석을 제어합니다. 가능한 값은 다음과 같습니다. - avg: 추세 구성 요소를 .로 average(x)정의합니다. 기본값입니다.- linefit: 선형 회귀를 사용하여 추세 구성 요소를 추출합니다.- none: 추세가 없으므로 이 구성 요소 추출을 건너뜁니다. |
|
| Seasonality_threshold | real |
계절성이 자동 검색으로 설정된 경우 계절성 점수의 임계값입니다. 기본 점수 임계값은 0.6입니다. 자세한 내용은 series_periods_detect 참조하세요. |
반품
예측된 계열이 있는 동적 배열입니다.
참고 항목
- 원래 입력 계열의 동적 배열에는 예측할 여러 포인트 슬롯이 포함되어야 합니다. 예측은 일반적으로 메이크 계열을 사용하고 예측할 기간을 포함하는 범위에서 종료 시간을 지정하여 수행됩니다.
- 계절성 또는 추세를 사용하도록 설정해야 합니다. 그렇지 않으면 함수가 중복되고 0으로 채워진 계열만 반환합니다.
예시
다음 예제에서는 주별 계절성 및 작은 상승 추세와 함께 시간 단위로 4주씩 생성합니다. 그런 다음, 계열에 빈 주를 다시 사용하고 make-series 추가합니다. series_decompose_forecast 는 1주일(24*7포인트)으로 호출되며 계절성 및 추세를 자동으로 감지하고 전체 5주 기간에 대한 예측을 생성합니다.
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
