propiedades de tcmnode | IBM Cloud Pak for Data as a Service

Volver a la versión inglesa de la documentación

propiedades de tcmnode

Última actualización: 07 oct 2024

propiedades de tcmnode

Icono de nodo de TCM El modelado causal temporal intenta descubrir relaciones causales clave en datos de series temporales. En el modelado causal temporal, especifique un conjunto de series de objetivos y un conjunto de entradas candidato para estos objetivos. El procedimiento crea un modelo de serie temporal autorregresivo para cada objetivo e incluye solo estas entradas que tienen la relación causal más significativa con el objetivo.

Tabla 1. propiedades de tcmnode
Propiedades de `tcmnode`	Valores	Descripción de la propiedad
`custom_fields`	Boolean
`dimensionlist`	[dimension1 ... dimensionN]
`data_struct`	`Multiple` `Single`
`metric_fields`	Campos
`both_target_and_input`	[f1 ... fN]
`targets`	[f1 ... fN]
`candidate_inputs`	[f1 ... fN]
`forced_inputs`	[f1 ... fN]
`use_timestamp`	`Timestamp` `Period`
`input_interval`	`None` `Unknown` `Year` `Quarter` `Month` `Week` `Day` `Hour` `Hour_nonperiod` `Minute` `Minute_nonperiod` `Second` `Second_nonperiod`
`period_field`	serie
`period_start_value`	entero
`num_days_per_week`	entero
`start_day_of_week`	`Sunday` `Monday` `Tuesday` `Wednesday` `Thursday` `Friday` `Saturday`
`num_hours_per_day`	entero
`start_hour_of_day`	entero
`timestamp_increments`	entero
`cyclic_increments`	entero
`cyclic_periods`	lista
`output_interval`	`None` `Year` `Quarter` `Month` `Week` `Day` `Hour` `Minute` `Second`
`is_same_interval`	`Same` `Notsame`
`cross_hour`	Boolean
`aggregate_and_distribute`	lista
`aggregate_default`	`Mean` `Sum` `Mode` `Min` `Max`
`distribute_default`	`Mean` `Sum`
`group_default`	`Mean` `Sum` `Mode` `Min` `Max`
`missing_imput`	`Linear_interp` `Series_mean` `K_mean` `K_meridian` `Linear_trend` `None`
`k_mean_param`	entero
`k_median_param`	entero
`missing_value_threshold`	entero
`conf_level`	entero
`max_num_predictor`	entero
`max_lag`	entero
`epsilon`	número
`threshold`	entero
`is_re_est`	Boolean
`num_targets`	entero
`percent_targets`	entero
`fields_display`	lista
`series_dispaly`	lista
`network_graph_for_target`	Boolean
`sign_level_for_target`	número
`fit_and_outlier_for_target`	Boolean
`sum_and_para_for_target`	Boolean
`impact_diag_for_target`	Boolean
`impact_diag_type_for_target`	`Effect` `Cause` `Both`
`impact_diag_level_for_target`	entero
`series_plot_for_target`	Boolean
`res_plot_for_target`	Boolean
`top_input_for_target`	Boolean
`forecast_table_for_target`	Boolean
`same_as_for_target`	Boolean
`network_graph_for_series`	Boolean
`sign_level_for_series`	número
`fit_and_outlier_for_series`	Boolean
`sum_and_para_for_series`	Boolean
`impact_diagram_for_series`	Boolean
`impact_diagram_type_for_series`	`Effect` `Cause` `Both`
`impact_diagram_level_for_series`	entero
`series_plot_for_series`	Boolean
`residual_plot_for_series`	Boolean
`forecast_table_for_series`	Boolean
`outlier_root_cause_analysis`	Boolean
`causal_levels`	entero
`outlier_table`	`Interactive` `Pivot` `Both`
`rmsp_error`	Boolean
`bic`	Boolean
`r_square`	Boolean
`outliers_over_time`	Boolean
`series_transormation`	Boolean
`use_estimation_period`	Boolean
`estimation_period`	`Times` `Observation`
`observations`	lista
`observations_type`	`Latest` `Earliest`
`observations_num`	entero
`observations_exclude`	entero
`extend_records_into_future`	Boolean
`forecastperiods`	entero
`max_num_distinct_values`	entero
`display_targets`	`FIXEDNUMBER` `PERCENTAGE`
`goodness_fit_measure`	`ROOTMEAN` `BIC` `RSQUARE`
`top_input_for_series`	Boolean
`aic`	Boolean
`rmse`	Boolean
`date_time_field`	campo	Campo fecha/hora
`auto_detect_lag`	Boolean	Este valor especifica el número de términos de retardo para cada entrada en el modelo para cada objetivo.
`numoflags`	Entero	De forma predeterminada, el número de términos de retardo se determina automáticamente a partir del intervalo de tiempo utilizado para el análisis.
`re_estimate`	Boolean	Si ya ha generado un modelo causal temporal, seleccione esta opción para reutilizar los valores de criterios que se han especificado para dicho modelo, en lugar de generar un modelo nuevo.
`display_targets`	`"FIXEDNUMBER"` `"PERCENTAGE"`	De forma predeterminada, se visualiza el resultado para los objetivos que están asociados a los 10 modelos de mejor ajuste, según lo que determina el valor R cuadrado. Puede especificar un número fijo diferente de modelos de mejor ajuste o puede especificar un porcentaje de modelos de mejor ajuste.