proprietà tcmnode | IBM Cloud Pak for Data as a Service

Torna alla versione inglese della documentazione

proprietà tcmnode

Ultimo aggiornamento: 07 ott 2024

proprietà tcmnode

Icona nodo TCM La modellazione causale temporale cerca di rilevare le relazioni causali di chiavi nei dati di serie temporali. Nella modellazione causale temporale, l'utente specifica un insieme di serie di destinazione e un insieme di input candidati per tali destinazioni. La procedura quindi crea un modello di serie temporale autoregressivo per ciascuna destinazione ed include solo gli input che hanno una relazione causale più significativa con la destinazione.

Tabella 1. proprietà tcmnode
Proprietà `tcmnode`	Valori	Descrizione proprietà
`custom_fields`	Booleano
`dimensionlist`	[dimension1 ... dimensionN]
`data_struct`	`Multiple` `Single`
`metric_fields`	Campi
`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`	Stringa
`period_start_value`	intero
`num_days_per_week`	intero
`start_day_of_week`	`Sunday` `Monday` `Tuesday` `Wednesday` `Thursday` `Friday` `Saturday`
`num_hours_per_day`	intero
`start_hour_of_day`	intero
`timestamp_increments`	intero
`cyclic_increments`	intero
`cyclic_periods`	elenco
`output_interval`	`None` `Year` `Quarter` `Month` `Week` `Day` `Hour` `Minute` `Second`
`is_same_interval`	`Same` `Notsame`
`cross_hour`	Booleano
`aggregate_and_distribute`	elenco
`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`	intero
`k_median_param`	intero
`missing_value_threshold`	intero
`conf_level`	intero
`max_num_predictor`	intero
`max_lag`	intero
`epsilon`	numero
`threshold`	intero
`is_re_est`	Booleano
`num_targets`	intero
`percent_targets`	intero
`fields_display`	elenco
`series_dispaly`	elenco
`network_graph_for_target`	Booleano
`sign_level_for_target`	numero
`fit_and_outlier_for_target`	Booleano
`sum_and_para_for_target`	Booleano
`impact_diag_for_target`	Booleano
`impact_diag_type_for_target`	`Effect` `Cause` `Both`
`impact_diag_level_for_target`	intero
`series_plot_for_target`	Booleano
`res_plot_for_target`	Booleano
`top_input_for_target`	Booleano
`forecast_table_for_target`	Booleano
`same_as_for_target`	Booleano
`network_graph_for_series`	Booleano
`sign_level_for_series`	numero
`fit_and_outlier_for_series`	Booleano
`sum_and_para_for_series`	Booleano
`impact_diagram_for_series`	Booleano
`impact_diagram_type_for_series`	`Effect` `Cause` `Both`
`impact_diagram_level_for_series`	intero
`series_plot_for_series`	Booleano
`residual_plot_for_series`	Booleano
`forecast_table_for_series`	Booleano
`outlier_root_cause_analysis`	Booleano
`causal_levels`	intero
`outlier_table`	`Interactive` `Pivot` `Both`
`rmsp_error`	Booleano
`bic`	Booleano
`r_square`	Booleano
`outliers_over_time`	Booleano
`series_transormation`	Booleano
`use_estimation_period`	Booleano
`estimation_period`	`Times` `Observation`
`observations`	elenco
`observations_type`	`Latest` `Earliest`
`observations_num`	intero
`observations_exclude`	intero
`extend_records_into_future`	Booleano
`forecastperiods`	intero
`max_num_distinct_values`	intero
`display_targets`	`FIXEDNUMBER` `PERCENTAGE`
`goodness_fit_measure`	`ROOTMEAN` `BIC` `RSQUARE`
`top_input_for_series`	Booleano
`aic`	Booleano
`rmse`	Booleano
`date_time_field`	campo	Campo data/ora
`auto_detect_lag`	Booleano	Questa impostazione specifica il numero di ritardi per ciascun input nel modello per ciascuna destinazione.
`numoflags`	Intero	Per impostazione predefinita, il numero di ritardi viene determinato automaticamente dall'intervallo di tempo utilizzato per l'analisi.
`re_estimate`	Booleano	Se è stato già generato un modello causale temporale, selezionare questa opzione per riutilizzare le impostazioni dei criteri specificati per quel modello, piuttosto che creare un nuovo modello.
`display_targets`	`"FIXEDNUMBER"` `"PERCENTAGE"`	Per impostazione predefinita, l'output viene visualizzato per le destinazioni associate ai 10 modelli più adatti, come determinato dal valore R quadrato. È possibile specificare un numero fisso differente di modelli più adatti oppure è possibile specificare una percentuale di modelli più adatti.