Docs
...
tcmnode properties

propiedades de tcmnode

Última actualización: 11 feb 2025
propiedades de tcmnode

Icono de nodo de TCMEl 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.