다음을 통해 공유

시계열 모델에 대한 마이닝 모델 콘텐츠(Analysis Services - 데이터 마이닝)

  • 아티클

모든 마이닝 모델은 동일한 구조를 사용하여 콘텐츠를 저장합니다. 이 구조는 데이터 마이닝 콘텐츠 스키마 행 집합에 따라 정의됩니다. 그러나 해당 표준 구조 내에서 정보를 포함하는 노드는 다양한 종류의 트리를 나타내기 위해 서로 다른 방법으로 정렬됩니다. 이 항목에서는 Microsoft 시계열 알고리즘을 기반으로 하는 마이닝 모델에 대해 노드가 구성되는 방법과 각 노드의 의미에 대해 설명합니다.

모든 모델 유형에 적용되는 일반적인 마이닝 모델 콘텐츠에 대한 자세한 내용은 마이닝 모델 콘텐츠(Analysis Services - 데이터 마이닝)를 참조하십시오.

이 항목을 검토할 때 시계열 모델의 콘텐츠를 탐색하면서 진행하면 도움이 됩니다. 기본 데이터 마이닝 자습서를 완료하여 시계열 모델을 만들 수 있습니다. 이 자습서에서 만드는 모델은 ARIMA 및 ARTXP 알고리즘을 모두 사용하여 데이터를 학습하는 혼합 모델입니다. 자세한 내용은 예측 구조 및 모델 만들기(중급 데이터 마이닝 자습서)를 참조하십시오. 마이닝 모델의 콘텐츠를 보는 방법은 데이터 마이닝 모델 뷰어를 참조하십시오.

시계열 모델의 구조 이해

시계열 모델에는 모델 및 해당 메타데이터를 나타내는 단일 부모 노드가 있습니다. 이 부모 노드 아래에는 모델을 만드는 데 사용한 알고리즘에 따라 하나 또는 두 개의 시계열 트리가 있습니다.

혼합 모델을 만들 경우 각각 ARIMA와 ARTXP에 대한 두 개의 별도 트리가 모델에 추가됩니다. ARTXP 알고리즘만 사용하거나 ARIMA 알고리즘만 사용하도록 선택할 경우 해당 알고리즘에 해당하는 단일 트리가 추가됩니다. FORECAST_METHOD 매개 변수를 설정하여 사용할 알고리즘을 지정합니다. ARTXP, ARIMA 또는 혼합 모델 중 어느 것을 사용할지에 대한 자세한 내용은 Microsoft 시계열 알고리즘을 참조하십시오.

다음 다이어그램에는 혼합 모델을 만들기 위해 기본 설정을 사용하여 만든 시계열 데이터 마이닝 모델의 예가 나와 있습니다. 두 모델 간의 차이를 보다 쉽게 비교할 수 있도록 여기서 ARTXP 모델은 다이어그램의 왼쪽에 있고 ARIMA 모델은 다이어그램의 오른쪽에 있습니다. ARTXP가 더 작은 분기로 분할되는 트리와 같은 구조인데 반하여 ARIMA 알고리즘으로 만든 구조는 더 작은 구성 요소를 기반으로 작성된 피라미드와 같습니다.

시계열 모델에 대한 모델 콘텐츠 구조

이때 ARIMA 및 ARTXP 트리 내에서 정보가 완전히 다른 방법으로 정렬된다는 사실을 기억해야 합니다. 두 트리는 루트 노드에서만 관련되어 있습니다. 이러한 두 표현은 편의상 한 모델로 제공되지만 두 개의 독립적인 모델로 처리해야 합니다. ARTXP는 실제 트리 구조를 나타내지만 ARIMA는 그렇지 않습니다.

Microsoft 일반 모델 콘텐츠 트리 뷰어를 사용하여 ARIMA 및 ARTXP를 모두 사용하는 모델을 보는 경우 ARTXP 및 ARIMA 모델의 노드는 모두 부모 시계열 모델의 자식 노드로 나타납니다. 그러나 노드에 적용되는 레이블로 이러한 노드를 쉽게 구별할 수 있습니다.

  • 첫 번째 노드 집합에는 (All)이라는 레이블이 지정되며 이는 ARTXP 알고리즘의 분석 결과를 나타냅니다.

  • 두 번째 노드 집합에는 ARIMA라는 레이블이 지정되며 이는 ARIMA 알고리즘의 분석 결과를 나타냅니다.

주의 사항주의

ARTXP 트리에서 (All)이라는 이름은 이전 버전과의 호환성을 위해서만 유지됩니다. SQL Server 2008 이전 버전에서는 시계열 알고리즘 분석에 ARTXP 알고리즘이라는 단일 알고리즘을 사용했습니다.

다음 섹션에서는 이러한 각 모델 유형 내에 노드가 정렬되는 방식에 대해 설명합니다.

ARTXP 모델의 구조

ARTXP 알고리즘은 의사 결정 트리 모델과 비슷한 모델을 만듭니다. 이 알고리즘은 예측 가능한 특성을 그룹화하고 큰 차이가 발견될 때마다 이러한 특성을 분할합니다. 따라서 각 ARTXP 모델은 각 예측 가능한 특성에 대해 별도의 분기를 포함합니다. 예를 들어 기본 데이터 마이닝 자습서에서는 여러 지역의 판매 금액을 예측하는 모델을 만듭니다. 이 경우 **[Amount]**가 예측 가능한 특성이고 각 지역에 대해 별도의 분기가 만들어집니다. 두 개의 예측 가능한 특성인 [Amount] 및 **[Quantity]**가 있을 경우 각 특성 및 지역의 조합에 대해 별도의 분기가 만들어집니다.

ARTXP 분기의 최상위 노드는 의사 결정 트리 루트 노드에 있는 것과 동일한 정보를 포함합니다. 여기에는 해당 노드의 자식 수(CHILDREN_CARDINALITY), 이 노드의 조건을 충족하는 사례 수(NODE_SUPPORT) 및 다양한 설명 통계(NODE_DISTRIBUTION)가 포함됩니다.

노드에 자식이 없는 경우 사례를 추가 하위 그룹으로 구분해야 하는 중요한 조건이 발견되지 않은 것입니다. 분기는 이 지점에서 끝나고 노드는 리프 노드가 됩니다. 리프 노드는 ARTXP 수식의 구성 블록인 특성, 계수 및 값을 포함합니다.

일부 분기에는 의사 결정 트리 모델과 비슷하게 추가 분할이 있을 수 있습니다. 예를 들어 유럽 지역의 판매를 나타내는 트리의 분기가 두 개의 분기로 분할될 수 있습니다. 두 그룹 간에 큰 차이를 일으키는 조건이 있을 경우 분할이 발생합니다. 부모 노드는 분할을 발생시킨 특성의 이름(예: [Amount])과 부모 노드에 있는 사례 수를 알려줍니다. 리프 노드는 특성 값(예: [Sales] >10,000 및 [Sales] < 10,000), 각 조건을 지원하는 사례 수 및 ARTXP 수식과 같은 세부 정보를 제공합니다.

[!참고]

수식을 보려는 경우 완전한 회귀 수식을 리프 노드 수준에서 찾을 수 있지만 중간 또는 루트 노드에서는 찾을 수 없습니다.

ARIMA 모델의 구조

ARIMA 알고리즘은 데이터 계열(예: [Region]) 및 예측 가능한 특성(예: [Sales Amount])의 각 조합에 대해 단일 정보를 만들며 이 정보는 예측 가능한 특성의 시간에 따른 변경을 설명하는 수식입니다.

각 계열에 대한 수식은 데이터에서 발견되는 각 주기 구조에 대해 하나씩 여러 구성 요소에서 파생됩니다. 예를 들어 매월 수집되는 판매 데이터가 있는 경우 알고리즘은 월별, 분기별 또는 연도별 주기 구조를 검색할 수 있습니다.

알고리즘은 발견되는 각 주기성에 대해 별도의 부모 및 자식 노드 집합을 출력합니다. 기본 주기성은 단일 시간 조각을 나타내는 1이며 모든 모델에 자동으로 추가됩니다. PERIODICITY_HINT 매개 변수에 여러 값을 입력하여 가능한 여러 주기 구조를 지정할 수 있습니다. 그러나 알고리즘이 주기 구조를 검색하지 못하면 해당 힌트에 대한 결과를 출력하지 않습니다.

모델 콘텐츠에서 출력되는 각 주기 구조는 다음과 같은 구성 요소 노드를 포함합니다.

  • AR(자동 회귀 순서)에 대한 노드

  • MA(이동 평균)에 대한 노드

이러한 용어의 의미에 대한 자세한 내용은 Microsoft 시계열 알고리즘을 참조하십시오.

차수는 수식의 중요한 부분이며 수식에 표시됩니다. 차수가 사용되는 방법은 Microsoft 시계열 알고리즘 기술 참조를 참조하십시오.

시계열에 대한 모델 콘텐츠

이 섹션에서는 시계열 모델과 특별히 관련된 마이닝 모델 콘텐츠 열에 대한 세부 정보 및 예만 제공합니다.

스키마 행 집합의 범용 열(MODEL_CATALOG 및 MODEL_NAME)에 대한 자세한 내용 또는 마이닝 모델 용어에 대한 자세한 내용은 마이닝 모델 콘텐츠(Analysis Services - 데이터 마이닝)를 참조하십시오.

  • MODEL_CATALOG
    모델이 저장되는 데이터베이스의 이름입니다.

  • MODEL_NAME
    모델의 이름입니다.

  • ATTRIBUTE_NAME
    노드에 표시된 데이터 계열에 대한 예측 가능한 특성입니다. MSOLAP_MODEL_COLUMN과 값이 동일합니다.

  • NODE_NAME
    노드 이름

    현재 이 열은 NODE_UNIQUE_NAME과 동일한 값을 포함하지만 이는 이후 릴리스에서 변경될 수 있습니다.

  • NODE_UNIQUE_NAME
    노드의 고유한 이름입니다. 모델 부모 노드의 이름은 항상 TS입니다.

    ARTXP: 각 노드는 TS 다음에 16진수 숫자 값이 오는 형식으로 표시됩니다. 노드의 순서는 중요하지 않습니다.

    예를 들어 TS 트리 바로 아래에 있는 ARTXP 노드의 번호는 TS00000001-TS0000000b로 매겨집니다.

    ARIMA: ARIMA 트리의 각 노드는 TA 다음에 16진수 숫자 값이 오는 형식으로 표시됩니다. 자식 노드에는 고유한 부모 노드 이름이 포함되고 그 뒤에 노드 내의 시퀀스를 나타내는 또 다른 16진수가 나옵니다.

    모든 ARIMA 트리의 구조는 동일합니다. 각 루트는 다음 표의 예와 같은 노드 및 명명 규칙을 포함합니다.

    ARIMA 노드 ID 및 유형

    노드 이름 예

    ARIMA 루트(27)

    TA0000000b

    ARIMA 주기 구조(28)

    TA0000000b00000000

    ARIMA 자동 회귀(29)

    TA0000000b000000000

    ARIMA 이동 평균(30)

    TA0000000b000000001

  • NODE_TYPE
    시계열 모델은 알고리즘에 따라 다음 노드 유형을 출력합니다.

    ARTXP:

    노드 유형 ID

    설명

    1(모델)

    시계열

    3(내부)

    ARTXP 시계열 트리 내의 내부 분기를 나타냅니다.

    16(시계열 트리)

    예측 가능한 특성 및 계열에 해당하는 ARTXP 트리의 루트입니다.

    15(시계열)

    ARTXP 트리의 리프 노드입니다.

    ARIMA:

    노드 유형 ID

    설명

    27(ARIMA 루트)

    ARIMA 트리의 최상위 노드입니다.

    28(ARIMA 주기 구조)

    단일 주기 구조를 설명하는 ARIMA 트리의 구성 요소입니다.

    29(ARIMA 자동 회귀)

    단일 주기 구조의 계수를 포함합니다.

    30(ARIMA 이동 평균)

    단일 주기 구조의 계수를 포함합니다.

  • NODE_CAPTION
    노드에 연결된 레이블 또는 캡션입니다.

    이 속성은 주로 표시용으로 사용됩니다.

    ARTXP: 특성 및 값 범위의 조합으로 표시되는 노드의 분할 조건을 포함합니다.

    ARIMA: ARIMA 수식의 약식 표현을 포함합니다.

    ARIMA 수식의 형식에 대한 자세한 내용은 ARIMA의 마이닝 범례를 참조하십시오.

  • CHILDREN_CARDINALITY
    노드에 있는 직계 자식의 수입니다.

  • PARENT_UNIQUE_NAME
    노드 부모의 고유한 이름입니다. 루트 수준의 모든 노드에 대해서 NULL이 반환됩니다.

  • NODE_DESCRIPTION
    현재 노드의 규칙, 분할 또는 수식에 대한 텍스트 설명입니다.

    ARTXP: 자세한 내용은 ARTXP 트리 이해를 참조하십시오.

    ARIMA: 자세한 내용은 ARIMA 트리 이해를 참조하십시오.

  • NODE_RULE
    현재 노드의 규칙, 분할 또는 수식에 대한 XML 설명입니다.

    ARTXP: NODE_RULE은 일반적으로 NODE_CAPTION에 해당합니다.

    ARIMA: 자세한 내용은 ARIMA 트리 이해를 참조하십시오.

  • MARGINAL_RULE
    해당 노드와 관련된 분할 또는 콘텐츠에 대한 XML 설명입니다.

    ARTXP: MARGINAL_RULE은 일반적으로 NODE_DESCRIPTION에 해당합니다.

    ARIMA: 항상 비어 있습니다. 대신 NODE_RULE을 사용합니다.

  • NODE_PROBABILITY
    ARTXP: 트리 노드의 경우 항상 1입니다. 리프 노드의 경우 모델 루트 노드에서 해당 노드에 도달할 확률입니다.

    ARIMA: 항상 0입니다.

  • MARGINAL_PROBABILITY
    ARTXP: 트리 노드의 경우 항상 1입니다. 리프 노드의 경우 중간 부모 노드에서 해당 노드에 도달할 확률입니다.

    ARIMA: 항상 0입니다.

  • NODE_DISTRIBUTION
    노드의 확률 히스토그램을 포함하는 테이블입니다. 시계열 모델에서 이 중첩 테이블은 실제 회귀 수식을 조합하는 데 필요한 모든 구성 요소를 포함합니다.

    ARTXP 트리의 노드 배포 테이블에 대한 자세한 내용은 ARTXP 트리 이해를 참조하십시오.

    ARIMA 트리의 노드 배포 테이블에 대한 자세한 내용은 ARIMA 트리 이해를 참조하십시오.

    읽을 수 있는 형식으로 작성된 모든 상수 및 기타 구성 요소를 보려면 시계열 뷰어를 사용하여 노드를 클릭하고 마이닝 범례를 엽니다.

  • NODE_SUPPORT
    이 노드를 지원하는 사례의 수입니다.

    ARTXP: (All) 노드의 경우 분기에 포함된 총 시간 조각 수를 나타냅니다.

    터미널 노드의 경우 NODE_CAPTION에 설명된 범위에 포함된 시간 조각 수를 나타냅니다. 터미널 노드의 시간 조각 수는 항상 분기 (All) 노드의 NODE_SUPPORT 값에 대한 합계입니다.

    ARIMA: 현재 주기 구조를 지원하는 사례의 수입니다. 지지도 값은 현재 주기 구조의 모든 노드에서 반복됩니다.

  • MSOLAP_MODEL_COLUMN
    노드에 표시된 데이터 계열에 대한 예측 가능한 특성입니다. ATTRIBUTE_NAME과 값이 동일합니다.

  • MSOLAP_NODE_SCORE
    트리 또는 분할의 정보 값에 대한 특징을 결정하는 숫자 값입니다.

    ARTXP: 분할이 없는 노드의 경우 값은 항상 0.0입니다. 분할이 있는 노드의 경우 값은 분할의 흥미성 점수를 나타냅니다.

    점수 매기기 방법에 대한 자세한 내용은 기능 선택(데이터 마이닝)을 참조하십시오.

    ARIMA: ARIMA 모델의 BIC(Bayesian Information Criterion) 점수입니다. 수식과 관련된 모든 ARIMA 노드에서 동일한 점수가 설정됩니다.

  • MSOLAP_NODE_SHORT_CAPTION
    ARTXP: NODE_DESCRIPTION과 동일한 정보입니다.

    ARIMA: NODE_CAPTION과 동일한 정보입니다. 즉, ARIMA 수식의 약식 표현입니다.

ARTXP 트리 이해

ARTXP 모델은 선형인 데이터 영역과 일부 다른 요인에 의해 분할되는 데이터 영역을 분명하게 구분합니다. 예측 가능한 특성의 변경 사항을 독립 변수의 함수로 직접 표현할 수 있는 모든 경우에는 해당 관계를 나타내기 위해 회귀 수식이 계산됩니다.

예를 들어 대부분의 데이터 계열에 대한 시간 및 판매 사이에 직접 상관 관계가 존재할 경우 각 데이터 계열에 대한 자식 노드가 없고 회귀 수식만 있는 시계열 트리(NODE_TYPE = 16) 내에 각 계열이 포함됩니다. 그러나 관계가 선형이 아닐 경우 ARTXP 시계열 트리는 의사 결정 트리 모델과 같이 조건에 따라 자식 노드로 분할될 수 있습니다. Microsoft 일반 콘텐츠 트리 뷰어에서 모델 콘텐츠를 보면 분할이 발생한 위치와 이러한 분할이 추세 선에 주는 영향을 볼 수 있습니다.

이 동작을 더 잘 이해하려면 기본 데이터 마이닝 자습서에서 만든 시계열 모델을 검토합니다. AdventureWorks 데이터 웨어하우스 기반의 이 모델은 특히 복잡한 데이터를 사용하지 않습니다. 따라서 ARTXP 트리에는 분할이 많지 않습니다. 그러나 상대적으로 간단한 이 모델도 세 가지 다른 종류의 분할을 보여 줍니다.

  • Pacific 지역에 대한 [Amount] 추세 선은 시간 키에 따라 분할됩니다. 시간 키에 따른 분할은 특정 시점에 추세에 변화가 있다는 것을 의미합니다. 추세 선은 특정 지점까지만 선형이며 그 다음에는 다른 셰이프를 그리는 곡선입니다. 예를 들어 하나의 시계열이 2002년 8월 6일까지 계속되고 또 다른 시계열이 해당 날짜 이후에 시작될 수 있습니다.

  • North America 지역에 대한 [Amount] 추세 선은 다른 변수에 따라 분할됩니다. 이 경우 North America 지역의 추세는 Europe 지역에 있는 동일한 모델의 값을 기반으로 분할됩니다. 즉, Europe의 값이 변경되면 North America의 값도 변경된다는 사실을 알고리즘에서 검색했습니다.

  • Europe 지역에 대한 추세 선은 자체에서 분할됩니다.

각 분할의 의미는 무엇일까요? 모델 콘텐츠가 나타내는 정보를 해석하는 것은 데이터와 비즈니스 컨텍스트에서 해당 데이터가 갖는 의미에 대한 심층적 이해가 필요한 기술입니다.

  • North America 및 Europe 지역의 추세가 서로 분명하게 연결된다는 사실은 Europe의 데이터 계열에 더 많은 Entropy가 있으므로 North America의 추세가 더 약하게 나타난다는 것만을 의미할 수 있습니다. 또는 단순히 North America를 계산하기 전에 Europe을 계산했기 때문에 두 추세의 점수에 큰 차이가 없으며 상관 관계가 우연한 것일 수 있습니다. 그러나 데이터를 검토하여 상관 관계가 거짓인지 여부를 확인하거나 다른 기타 요인이 관련되었는지 확인하는 것이 필요할 수 있습니다.

  • 시간 키에 따른 분할은 선의 그라데이션에서 통계적으로 중요한 변화가 있다는 것을 의미합니다. 이는 분할에 필요한 Entropy의 계산이나 각 범위에 대한 지지도와 같은 수학적 요인 때문일 수 있습니다. 따라서 이 분할은 실제 상황에서 모델의 의미와 관련하여 흥미성이 떨어질 수 있습니다. 그러나 분할에 표시된 기간을 검토할 경우 해당 시간에 시작했으며 데이터에 영향을 주었을 수 있는 판매 홍보 또는 기타 이벤트와 같은 데이터에 표시되지 않은 흥미로운 상관 관계를 발견할 수 있습니다.

데이터에 다른 특성이 포함된 경우 트리의 분기는 더 흥미로워집니다. 예를 들어 날씨 정보를 추적했고 해당 정보를 특성으로 사용하여 분석한 경우 판매와 날씨의 복잡한 상호 작용을 나타내는 여러 분할을 트리에서 볼 수 있습니다.

즉, 데이터 마이닝은 잠재적으로 흥미로운 현상이 발생할 수 있는 항목에 대한 힌트를 제공하는 데 유용하지만 정보의 가치를 컨텍스트와 관련하여 정확하게 해석하려면 비즈니스 사용자가 추가적인 조사를 실행하고 전문 지식을 사용해야 합니다.

ARTXP 시계열 수식의 요소

ARTXP 트리 또는 분기에 대한 전체 수식을 보려면 읽을 수 있는 형식으로 모든 상수를 제공하는 Microsoft 시계열 뷰어의 마이닝 범례를 사용하는 것이 좋습니다.

다음 섹션에서는 예제 수식을 제공하고 기본 항에 대해 설명합니다.

ARTXP 수식의 마이닝 범례

다음 예에서는 마이닝 범례에 표시된 대로 모델의 한 부분에 대한 ARTXP 수식을 보여 줍니다. 이 수식을 보려면 기본 데이터 마이닝 자습서에서 만든 [Forecasting] 모델을 Microsoft 시계열 뷰어에서 열고 모델 탭을 클릭한 다음 R250: Europe 데이터 계열에 대한 트리를 선택합니다.

이 예에 사용된 수식을 보려면 2003년 5월 7일 또는 이날 이후의 날짜 계열을 나타내는 노드를 클릭합니다.

트리 노드 수식 예:

Quantity = 21.322

-0.293 * Quantity(R250 North America,-7) + 0.069 * Quantity(R250 Europe,-1) + 0.023 *

Quantity(R250 Europe,-3) -0.142 * Quantity(R750 Europe,-8)

이 경우 21.322 값은 다음 수식 요소의 함수로 Quantity에 대해 예측된 값을 나타냅니다.

예를 들어 Quantity(R250 North America,-7) 요소의 경우 이 표기는 현재 시간 조각에서 7개 시간 조각 전 또는 t-7에서 North America 지역의 수량을 의미합니다. 이 데이터 계열의 값에 계수 -0.293을 곱합니다. 각 요소의 계수는 학습 프로세스 중 파생되며 데이터의 추세를 기반으로 합니다.

Europe 지역의 R250 모델 수량이 여러 다른 데이터 계열의 값에 종속되는 것으로 모델에서 계산했으므로 이 수식에는 요소가 여러 개 있습니다.

ARTXP 수식에 대한 모델 콘텐츠

다음 표에서는 Microsoft 일반 콘텐츠 트리 뷰어(데이터 마이닝)에 표시된 대로 관련 노드의 콘텐츠를 사용하여 수식에 대한 동일한 정보를 보여 줍니다.

ATTRIBUTE_NAME

ATTRIBUTE_VALUE

SUPPORT

확률

VARIANCE

값 유형

Quantity(R250 Europe,y-intercept)

21.3223433563772

11

0

1.65508795539661

11(절편)

Quantity(R250 Europe,-1)

0.0691694140876526

0

0

0

7(계수)

Quantity(R250 Europe,-1)

20.6363635858123

0

0

182.380682874818

9(통계)

Quantity(R750 Europe,-8)

-0.1421203048299

0

0

0

7(계수)

Quantity(R750 Europe,-8)

22.5454545333019

0

0

104.362130048408

9(통계)

Quantity(R250 Europe,-3)

0.0234095979448281

0

0

0

7(계수)

Quantity(R250 Europe,-3)

24.8181818883176

0

0

176.475304989169

9(통계)

Quantity(R250 North America,-7)

-0.292914186039869

0

0

0

7(계수)

Quantity(R250 North America,-7)

10.36363640433

0

0

701.882534898676

9(통계)

이러한 예를 비교하여 알 수 있듯이 마이닝 모델 콘텐츠는 마이닝 범례에서 사용할 수 있는 것과 동일한 정보를 포함하지만 분산 및 지지도에 대한 추가 열을 포함합니다. 지지도 값은 이 수식에 설명된 추세를 지원하는 사례의 수를 나타냅니다.

ARTXP 시계열 수식 사용

대부분의 비즈니스 사용자에게 ARTXP 모델 콘텐츠의 가치는 ARTXP 모델 콘텐츠가 데이터의 선형 표현과 트리 뷰를 모두 제공한다는 데에 있습니다.

  • 예측 가능한 특성의 변경 사항을 독립 변수의 선형 함수로 나타낼 수 있는 경우 알고리즘에서는 회귀 수식을 자동으로 계산하고 해당 계열을 별도의 노드에 출력합니다.

  • 관계를 선형 상관 관계로 표현할 수 없는 경우 시계열은 항상 의사 결정 트리와 같이 분기됩니다.

Microsoft 시계열 뷰어에서 모델 콘텐츠를 탐색하면 분할이 발생한 위치와 이러한 분할이 추세 선에 주는 영향을 볼 수 있습니다.

데이터 계열의 임의 부분에 대한 시간 및 판매 사이에 직접 상관 관계가 존재할 경우 수식을 얻는 가장 간단한 방법은 마이닝 범례에서 수식을 복사한 다음 모델을 설명하는 데 도움이 되도록 문서 또는 프레젠테이션에 붙여 넣는 것입니다. 또는 해당 트리에 대한 NODE_DISTRIBUTION 테이블에서 평균, 계수 및 기타 정보를 추출하여 추세의 확장을 계산하는 데 사용할 수 있습니다. 전체 계열에서 일관된 선형 관계가 나타날 경우 수식은 (All) 노드에 포함됩니다. 트리에 분기가 있는 경우 수식은 리프 노드에 포함됩니다.

다음 쿼리는 수식을 포함하는 중첩 테이블 NODE_DISTRIBUTION과 함께 마이닝 모델의 모든 ARTXP 리프 노드를 반환합니다.

SELECT MODEL_NAME, ATTRIBUTE_NAME, NODE_NAME,
NODE_CAPTION, 
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE, [VARIANCE], VALUETYPE
FROM NODE_DISTRIBUTION) as t
FROM Forecasting.CONTENT
WHERE NODE_TYPE = 15

ARIMA 트리 이해

ARIMA 모델의 각 구조는 주기성 또는 주기 구조에 해당합니다. 주기 구조는 데이터 계열 전체에서 반복되는 데이터 패턴입니다. 통계적 한도 내에서 약간의 패턴 변형이 허용됩니다. 주기성은 학습 데이터에 사용된 기본 시간 단위에 따라 측정됩니다. 예를 들어 학습 데이터가 각 날에 대한 판매 데이터를 제공할 경우 기본 시간 단위는 1일이고 모든 주기 구조는 지정된 일 수로 정의됩니다.

알고리즘으로 검색되는 각 기간에는 고유한 구조 노드가 지정됩니다. 예를 들어 일일 판매 데이터를 분석하는 경우 모델은 주를 나타내는 주기 구조를 검색할 수 있습니다. 이 경우 알고리즘은 완성된 모델에서 두 개의 주기 구조, 즉 {1}로 표시된 기본 일일 기간에 대한 주기 구조와 {7}로 표시된 주에 대한 주기 구조를 만듭니다.

예를 들어 다음 쿼리는 마이닝 모델의 모든 ARIMA 구조를 반환합니다.

SELECT MODEL_NAME, ATTRIBUTE_NAME, NODE_NAME, NODE_CAPTION
FROM Forecasting.CONTENT
WHERE NODE_TYPE = 27

예 결과:

MODEL_NAME

ATTRIBUTE_NAME

NODE_NAME

NODE_TYPE

NODE_CAPTION

Forecasting

M200 Europe:Quantity

TA00000000

27

ARIMA (1,0,1)

Forecasting

M200 North America:Quantity

TA00000001

27

ARIMA (1,0,4) X (1,1,4)(6)

Forecasting

M200 Pacific:Quantity

TA00000002

27

ARIMA (2,0,8) X (1,0,0)(4)

Forecasting

M200 Pacific:Quantity

TA00000002

27

ARIMA (2,0,8) X (1,0,0)(4)

Forecasting

R250 Europe:Quantity

TA00000003

27

ARIMA (1,0,7)

Forecasting

R250 North America:Quantity

TA00000004

27

ARIMA (1,0,2)

Forecasting

R250 Pacific:Quantity

TA00000005

27

ARIMA (2,0,2) X (1,1,2)(12)

Forecasting

R750 Europe:Quantity

TA00000006

27

ARIMA (2,1,1) X (1,1,5)(6)

Forecasting

T1000 Europe:Quantity

TA00000009

27

ARIMA (1,0,1)

Forecasting

T1000 North America:Quantity

TA0000000a

27

ARIMA (1,1,1)

Forecasting

T1`000 Pacific:Quantity

TA0000000b

27

ARIMA (1,0,3)

Microsoft 일반 콘텐츠 트리 뷰어(데이터 마이닝)를 사용하여 탐색할 수도 있는 이러한 결과를 통해 완전히 선형인 계열, 주기 구조가 여러 개인 계열 및 검색된 주기성을 한 눈에 알 수 있습니다.

예를 들어 M200 Europe 계열에 대한 ARIMA 수식의 약식 표현을 통해 기본값인 일일 주기만 검색되었다는 사실을 알 수 있습니다. 수식의 약식 표현은 NODE_CAPTION 열에 제공됩니다.

그러나 M200 North America 계열의 경우 추가 주기 구조가 검색됩니다. 노드 TA00000001에는 수식 (1,0,4)와 수식 (1,1,4)(6)에 대해 하나씩 두 개의 자식 노드가 있습니다. 이러한 수식은 부모 노드에서 연결 및 표시됩니다.

또한 각 주기 구조에 대해 모델 콘텐츠는 차수 및 이동 평균을 자식 노드로 제공합니다. 예를 들어 다음 쿼리는 이전 예에 나열된 노드 중 하나의 자식 노드를 검색합니다. 열 PARENT_UNIQUE_NAME은 대괄호로 묶어 동일한 이름의 예약 키워드와 구분해야 합니다.

SELECT * 
FROM Forecasting.CONTENT
WHERE [PARENT_UNIQUE_NAME] = ' TA00000001'

이는 ARTXP 트리가 아니라 ARIMA 트리이므로 IsDescendant(DMX) 함수를 사용하여 이 주기 구조의 자식 노드를 반환할 수 없습니다. 대신 특성 및 노드 유형을 사용하여 결과를 필터링하고 이동 평균 및 차수를 비롯하여 수식이 작성된 방법에 대한 세부 정보를 제공하는 자식 노드를 반환할 수 있습니다.

SELECT MODEL_NAME, ATTRIBUTE_NAME, NODE_UNIQUE_NAME,
NODE_TYPE,  NODE_CAPTION
FROM Forecasting.CONTENT
WHERE [MSOLAP_MODEL_COLUMN] ='M200 North America:Quantity'
AND (NODE_TYPE = 29 or NODE_TYPE = 30)

예 결과:

MODEL_NAME

ATTRIBUTE_NAME

NODE_UNIQUE_NAME

NODE_TYPE

NODE_CAPTION

Forecasting

M200 North America:Quantity

TA00000001000000010

29

ARIMA {1,0.961832044807041}

Forecasting

M200 North America:Quantity

TA00000001000000011

30

ARIMA {1,-3.51073103693271E-02,2.15731642954099,-0.220314343327742,-1.33151478258758}

Forecasting

M200 North America:Quantity

TA00000001000000000

29

ARIMA {1,0.643565911081657}

Forecasting

M200 North America:Quantity

TA00000001000000001

30

ARIMA {1,1.45035399809581E-02,-4.40489283927752E-02,-0.19203901352577,0.242202497643993}

이러한 예에서는 ARIMA 트리로 드릴다운할수록 세부 정보가 더 많이 제공되지만 중요한 정보는 부모 노드에서도 결합 및 표시된다는 것을 보여 줍니다.

ARIMA에 대한 시계열 수식

임의 ARIMA 노드에 대한 전체 수식을 보려면 이미 일관된 형식으로 작성된 자동 회귀 차수, 이동 평균 및 수식의 기타 요소를 제공하는 Microsoft 시계열 뷰어의 마이닝 범례를 사용하는 것이 좋습니다.

이 섹션에서는 예제 수식을 제공하고 기본 항에 대해 설명합니다.

ARIMA 수식의 마이닝 범례

다음 예에서는 마이닝 범례에 표시된 대로 모델의 한 부분에 대한 ARIMA 수식을 보여 줍니다. 이 수식을 보려면 Microsoft 시계열 뷰어를 사용하여 Forecasting 모델을 열고 모델 탭을 클릭한 다음 R250: Europe 데이터 계열에 대한 트리를 선택하고 2003년 5월 7일 또는 이날 이후의 데이터 계열을 나타내는 노드를 클릭합니다. 마이닝 범례는 다음 예와 같이 읽을 수 있는 형식으로 모든 상수를 작성합니다.

ARIMA 수식:

ARIMA ({1,1},0,{1,1.49791920964142,1.10640053499397,0.888873034670339,-5.05429403071953E-02,-0.905265316720334,-0.961908900643379,-0.649991020901922}) Intercept:56.8888888888889

이 수식은 계수 및 절편의 값을 포함하는 긴 ARIMA 형식입니다. 이 수식의 약식 표현은 {1,0,7}입니다. 여기서 1은 기간을 시간 조각 수로 나타내고 0은 항 차수를 나타내며 7은 계수 수를 나타냅니다.

[!참고]

상수는 Analysis Services에서 분산 계산을 위해 계산되지만 상수 자체는 사용자 인터페이스에 표시되지 않습니다. 그러나 차트 뷰에서 편차 표시를 선택할 경우 계열의 임의 지점에 대한 분산을 이 상수의 함수로 볼 수 있습니다. 각 데이터 계열에 대한 도구 설명에는 예측된 특정 지점에 대한 분산이 표시됩니다.

ARIMA 수식에 대한 모델 콘텐츠

ARIMA 모델은 다른 유형의 노드에 다른 정보가 포함되는 표준 구조를 따릅니다. ARIMA 모델에 대한 모델 콘텐츠를 보려면 뷰어를 Microsoft 일반 콘텐츠 트리 뷰어로 변경한 다음 특성 이름이 R250 Europe: Quantity인 노드를 확장합니다.

데이터 계열에 대한 ARIMA 모델은 응용 프로그램에 따라 선택할 수 있는 네 개의 서로 다른 형식으로 된 기본 주기 수식을 포함합니다.

NODE_CAPTION: 수식의 약식 표현을 표시합니다. 약식 표현을 통해 표시되는 주기 구조 수 및 이러한 주기 구조에 있는 계수 수를 알 수 있습니다. 예를 들어 수식의 약식 표현이 {4,0,6}인 경우 노드는 계수가 6개인 하나의 주기 구조를 나타냅니다. 약식 표현이 {2,0,8} x {1,0,0}(4)와 같은 경우 노드는 두 개의 주기 구조를 포함합니다.

NODE_DESCRIPTION: 마이닝 범례에 표시되는 수식의 형태이기도 한 긴 수식 표현을 표시합니다. 긴 형태의 수식은 실제 계수 값이 계산되는 대신 표시된다는 점을 제외하고 약식 표현과 비슷합니다.

NODE_RULE: 수식의 XML 표현을 표시합니다. 노드 유형에 따라 XML 표현은 하나 또는 여러 개의 주기 구조를 포함할 수 있습니다. 다음 표에서는 XML 노드가 ARIMA 모델의 상위 수준으로 롤업되는 방법을 보여 줍니다.

노드 유형

XML 콘텐츠

27(ARIMA 루트)

데이터 계열에 대한 모든 주기 구조와 각 주기 구조에 대한 모든 자식 노드의 콘텐츠를 포함합니다.

28(ARIMA 주기 구조)

해당 자동 회귀 항 노드 및 이동 평균 계수를 포함하여 단일 주기 구조를 정의합니다.

29(ARIMA 자동 회귀)

단일 주기 구조의 항을 나열합니다.

30(ARIMA 이동 평균)

단일 주기 구조의 계수를 나열합니다.

NODE_DISTRIBUTION: 특정 항을 가져오기 위해 쿼리할 수 있는 중첩 테이블의 수식 항을 표시합니다. 노드 배포 테이블은 XML 규칙과 동일한 계층 구조를 따릅니다. 즉, ARIMA 계열의 루트 노드(NODE_TYPE = 27)는 여러 주기성을 포함할 수 있는 완전한 수식에 대한 절편 값 및 주기성을 포함하는데 반해 자식 노드는 특정 주기 구조 또는 해당 주기 구조의 자식 노드에 대한 정보만 포함합니다.

노드 유형

특성

값 유형

27(ARIMA 루트)

절편

주기성

11

28(ARIMA 주기 구조)

주기성

자동 회귀 차수

차수

이동 평균 차수

12

13

15

14

29(ARIMA 자동 회귀)

계수

(계수의 보수)

7

30(ARIMA 이동 평균)

t의 값

t-1의 값

…

t-n의 값

7

이동 평균 차수의 값은 계열의 이동 평균 수를 나타냅니다. 계열에 n개의 항이 있는 경우 일반적으로 이동 평균은 n-1번 계산되지만 계산이 보다 쉽도록 해당 숫자를 줄일 수 있습니다.

자동 회귀 차수의 값은 자동 회귀 계열 수를 나타냅니다.

차수의 값은 계열이 비교 또는 차별화되는 횟수를 나타냅니다.

열거된 가능한 값 유형을 보려면 MiningValueType을 참조하십시오.

ARIMA 트리 정보 사용

비즈니스 솔루션에 ARIMA 알고리즘을 기반으로 하는 예측을 사용할 경우 예측을 수행하는 데 사용된 방법을 보여 주기 위해 수식을 보고서에 붙여 넣을 수 있습니다. 캡션을 사용하여 약식 표현으로 수식을 표시하거나 설명을 사용하여 긴 표현으로 수식을 표시할 수 있습니다.

시계열 예측을 사용하는 응용 프로그램을 개발하는 경우 모델 콘텐츠에서 ARIMA 수식을 가져온 다음 고유한 예측을 수행하는 것이 유용할 수 있습니다. 특정 출력을 위한 ARIMA 수식을 가져오려면 이전 예와 같이 해당 특정 특성에 대한 ARIMA 루트를 직접 쿼리합니다.

원하는 계열을 포함하는 노드의 ID를 알고 있는 경우 다음 두 가지 옵션을 통해 수식의 구성 요소를 검색할 수 있습니다.

  • 중첩 테이블 형식: DMX 쿼리를 사용하거나 OLEDB 클라이언트를 통해 쿼리합니다.

  • XML 표현: XML 쿼리를 사용합니다.

주의

각 분할에 대한 정보가 트리 내의 서로 다른 위치에 있으므로 ARTXP 트리의 정보를 검색하기 어려울 수 있습니다. 따라서 ARTXP 모델을 사용할 경우 모든 부분을 가져온 다음 완전한 수식을 다시 구성하기 위해 약간의 처리 작업을 수행해야 합니다. ARIMA 모델에서 수식을 검색할 경우에는 트리 전체에서 수식을 사용할 수 있으므로 검색 작업이 보다 쉽습니다. 쿼리를 만들어 이 정보를 검색하는 방법은 시계열 모델 쿼리 예제를 참조하십시오.

참고 항목

참조

Microsoft 시계열 알고리즘 기술 참조

개념

마이닝 모델 콘텐츠(Analysis Services - 데이터 마이닝)

Microsoft 시계열 알고리즘

시계열 모델 쿼리 예제