series_decompose()
適用於：✅Microsoft網狀架構✅Azure 數據✅總管 Azure 監視器✅Microsoft Sentinel
在數列上套用分解轉換。
接受包含數位（動態數值數位）的運算式做為輸入，並將其分解為季節性、趨勢和剩餘元件。
語法
series_decompose(數列 [ 季節性,趨勢,Test_points Seasonality_threshold ], ,)
深入瞭解 語法慣例。
參數
| 姓名 | 類型 | 必要 | 描述 |
|---|---|---|---|
| 系列 | dynamic |
✔️ | 數值陣列，通常是make-series或 make_list運算子所產生的輸出。 |
| 季節性 | int |
控制季節性分析。 可能的值是： - -1：使用 series_periods_detect 自動偵測季節性。 這是預設值。- 期間：正整數，指定間隔數目的預期期間。例如，如果數列在量化中 1 - h ，則每周期間為168個間隔。- 0：沒有季節性，因此請略過擷取此元件。 |
|
| 趨勢 | string |
控制趨勢分析。 可能的值是： - avg：將趨勢元件定義為 average(x)。 這是預設值。- linefit：使用線性回歸擷取趨勢元件。- none：沒有趨勢，因此請略過擷取此元件。 |
|
| Test_points | int |
正整數，指定要從學習或回歸進程排除的數列結尾點數。 此參數應針對預測目的進行設定。 預設值為 0。 | |
| Seasonality_threshold | real |
當季節性設定為自動偵測時 ，季節性 分數的臨界值。 默認分數閾值為 0.6。 如需詳細資訊，請參閱 series_periods_detect。 |
傳回
函式會傳回下列個別數列：
baseline：數列的預測值（季節性和趨勢元件的總和，請參閱下文）。seasonal：季節性元件的數列：- 如果未偵測到句點或明確設定為 0：常數 0，則為 。
- 如果偵測到或設定為正整數，則為 ：相同階段中數點的中位數
trend：趨勢元件的數列。residual：剩餘元件的數列（也就是 x - 基準）。
注意
- 元件執行順序：
- 擷取季節性數列
- 從 x 減去它， 產生季後系列
- 從季後系列擷取趨勢元件
- 建立基準 = 季節性 + 趨勢
- 建立殘差 = x - 基準
- 應啟用季節性和 或趨勢。 否則，函式是多餘的，而只會傳回比較基準 = 0 且剩餘 = x。
深入了解數列分解
這個方法通常會套用至預期要顯示定期和/或趨勢行為的計量時間序列。 您可以使用 方法來預測未來的計量值和/或偵測異常值。 此回歸程式的隱含假設是，除了季節性和趨勢行為之外，時間序列是隨機分配的。 從季節性和趨勢元件預測未來的計量值，同時忽略剩餘部分。 僅根據極端值偵測，只偵測殘差部分的異常值。 如需進一步的詳細數據，請參閱 時間序列分解章節。
範例
每周季節性
在下列範例中，我們會產生具有每周季節性且沒有趨勢的數列，然後將一些極端值新增至其中。 series_decompose 會尋找並自動偵測季節性，併產生與季節性元件幾乎完全相同的基準。 我們在殘差元件中可以清楚地看到我們新增的極端值。
let ts=range t from 1 to 24*7*5 step 1
| extend Timestamp = datetime(2018-03-01 05:00) + 1h * t
| extend y = 2*rand() + iff((t/24)%7>=5, 10.0, 15.0) - (((t%24)/10)*((t%24)/10)) // generate a series with weekly seasonality
| 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
| summarize Timestamp=make_list(Timestamp, 10000),y=make_list(y, 10000);
ts
| extend series_decompose(y)
| render timechart
具有趨勢的每周季節性
在此範例中，我們會將趨勢新增至上一個範例中的數列。 首先，我們會使用預設參數執行 series_decompose 。 趨勢 avg 預設值只會採用平均值，而且不會計算趨勢。 產生的基準不包含趨勢。 觀察殘差中的趨勢時，很明顯，這個範例的精確度比上一個範例還不精確。
let ts=range t from 1 to 24*7*5 step 1
| 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
| summarize Timestamp=make_list(Timestamp, 10000),y=make_list(y, 10000);
ts
| extend series_decompose(y)
| render timechart
接下來，我們會重新執行相同的範例。 由於我們預期數列中的趨勢，因此我們會在 trend 參數中指定 linefit 。 我們可以看到偵測到正趨勢，而基準更接近輸入數列。 殘差接近零，只有極端值脫穎而出。我們可以看到圖表中數列的所有元件。
let ts=range t from 1 to 24*7*5 step 1
| 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
| summarize Timestamp=make_list(Timestamp, 10000),y=make_list(y, 10000);
ts
| extend series_decompose(y, -1, 'linefit')
| render timechart
相關內容
- 使用 異常圖將結果可視化