propriétés de tcmnode

Retourner à la version anglaise de la documentation

Dernière mise à jour : 04 oct. 2024

propriétés de tcmnode

Icône de noeud TCM La modélisation de causalité temporelle tente de découvrir des relations de causalité clés dans les données de séries temporelles. Dans la modélisation de causalité temporelle, vous spécifiez un ensemble de séries cibles et un ensemble d'entrées candidates sur ces cibles. La procédure construit alors un modèle de série temporelle autorégressive pour chaque cible et n'inclut que les entrées avec la relation de causalité la plus significative avec la cible.

Tableau 1. Propriétés de tcmnode
Propriétés `tcmnode`	Valeurs	Description de la propriété
`custom_fields`	Booléen
`dimensionlist`	[dimension1 ... dimensionN]
`data_struct`	`Multiple` `Single`
`metric_fields`	Zones
`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`	chaîne
`period_start_value`	Integer
`num_days_per_week`	Integer
`start_day_of_week`	`Sunday` `Monday` `Tuesday` `Wednesday` `Thursday` `Friday` `Saturday`
`num_hours_per_day`	Integer
`start_hour_of_day`	Integer
`timestamp_increments`	Integer
`cyclic_increments`	Integer
`cyclic_periods`	list
`output_interval`	`None` `Year` `Quarter` `Month` `Week` `Day` `Hour` `Minute` `Second`
`is_same_interval`	`Same` `Notsame`
`cross_hour`	Booléen
`aggregate_and_distribute`	list
`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`	Integer
`k_median_param`	Integer
`missing_value_threshold`	Integer
`conf_level`	Integer
`max_num_predictor`	Integer
`max_lag`	Integer
`epsilon`	number
`threshold`	Integer
`is_re_est`	Booléen
`num_targets`	Integer
`percent_targets`	Integer
`fields_display`	list
`series_dispaly`	list
`network_graph_for_target`	Booléen
`sign_level_for_target`	number
`fit_and_outlier_for_target`	Booléen
`sum_and_para_for_target`	Booléen
`impact_diag_for_target`	Booléen
`impact_diag_type_for_target`	`Effect` `Cause` `Both`
`impact_diag_level_for_target`	Integer
`series_plot_for_target`	Booléen
`res_plot_for_target`	Booléen
`top_input_for_target`	Booléen
`forecast_table_for_target`	Booléen
`same_as_for_target`	Booléen
`network_graph_for_series`	Booléen
`sign_level_for_series`	number
`fit_and_outlier_for_series`	Booléen
`sum_and_para_for_series`	Booléen
`impact_diagram_for_series`	Booléen
`impact_diagram_type_for_series`	`Effect` `Cause` `Both`
`impact_diagram_level_for_series`	Integer
`series_plot_for_series`	Booléen
`residual_plot_for_series`	Booléen
`forecast_table_for_series`	Booléen
`outlier_root_cause_analysis`	Booléen
`causal_levels`	Integer
`outlier_table`	`Interactive` `Pivot` `Both`
`rmsp_error`	Booléen
`bic`	Booléen
`r_square`	Booléen
`outliers_over_time`	Booléen
`series_transormation`	Booléen
`use_estimation_period`	Booléen
`estimation_period`	`Times` `Observation`
`observations`	list
`observations_type`	`Latest` `Earliest`
`observations_num`	Integer
`observations_exclude`	Integer
`extend_records_into_future`	Booléen
`forecastperiods`	Integer
`max_num_distinct_values`	Integer
`display_targets`	`FIXEDNUMBER` `PERCENTAGE`
`goodness_fit_measure`	`ROOTMEAN` `BIC` `RSQUARE`
`top_input_for_series`	Booléen
`aic`	Booléen
`rmse`	Booléen
`date_time_field`	Zone	Champ Heure/Date
`auto_detect_lag`	Booléen	Ce paramètre spécifie le nombre de termes de décalage pour chaque entrée pour chaque cible dans le modèle.
`numoflags`	Entier	Par défaut, le nombre de termes de décalage est déterminé automatiquement à partir de l'intervalle de temps utilisé pour l'analyse.
`re_estimate`	Booléen	Si vous avez déjà généré un modèle de causalité temporaire, sélectionnez cette option pour réutiliser les paramètres de critère spécifiés pour ce modèle au lieu d'en construire un nouveau.
`display_targets`	`"FIXEDNUMBER"` `"PERCENTAGE"`	Par défaut, la sortie est affichée pour les cibles associées aux 10 modèles les plus adaptés, comme déterminé par la valeur R-carré. Vous pouvez spécifier un nombre fixe différent de modèles les plus adaptés ou un pourcentage de ces modèles.