propiedades de ts

Última actualización: 11 feb 2025

propiedades de ts

Icono de nodo Serie temporal El nodo Serie temporal estima modelos de suavizado exponencial, modelos autorregresivos integrados de media móvil (ARIMA) univariados y modelos ARIMA (o de función de transferencia) multivariados para series temporales y genera previsiones.

Tabla 1. ts, propiedades
Propiedades de `ts`	Valores	Descripción de la propiedad
`targets`	campo	El nodo Serie temporal prevé uno o más objetivos, utilizando opcionalmente uno o más campos de entrada como predictores. Los campos de frecuencia y ponderación no se usan. Consulte Propiedades comunes del nodo de modelado para obtener más información.
`candidate_inputs`	[field1 ... fieldN]	Campos de entrada o predictor utilizados por el modelo.
`use_period`	distintivo
`date_time_field`	campo
`input_interval`	`None` `Unknown` `Year` `Quarter` `Month` `Week` `Day` `Hour` `Hour_nonperiod` `Minute` `Minute_nonperiod` `Second` `Second_nonperiod`
`period_field`	campo
`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`	distintivo
`cross_hour`	distintivo
`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_median` `Linear_trend`
`k_span_points`	entero
`use_estimation_period`	distintivo
`estimation_period`	`Observations` `Times`
`date_estimation`	lista	Sólo está disponible si utiliza `date_time_field`
`period_estimation`	lista	Sólo está disponible si utiliza `use_period`
`observations_type`	`Latest` `Earliest`
`observations_num`	entero
`observations_exclude`	entero
`method`	`ExpertModeler` `Exsmooth` `Arima`
`expert_modeler_method`	`ExpertModeler` `Exsmooth` `Arima`
`consider_seasonal`	distintivo
`detect_outliers`	distintivo
`expert_outlier_additive`	distintivo
`expert_outlier_level_shift`	distintivo
`expert_outlier_innovational`	distintivo
`expert_outlier_level_shift`	distintivo
`expert_outlier_transient`	distintivo
`expert_outlier_seasonal_additive`	distintivo
`expert_outlier_local_trend`	distintivo
`expert_outlier_additive_patch`	distintivo
`consider_newesmodels`	distintivo
`exsmooth_model_type`	`Simple` `HoltsLinearTrend` `BrownsLinearTrend` `DampedTrend` `SimpleSeasonal` `WintersAdditive` `WintersMultiplicative` `DampedTrendAdditive` `DampedTrendMultiplicative` `MultiplicativeTrendAdditive` `MultiplicativeSeasonal` `MultiplicativeTrendMultiplicative` `MultiplicativeTrend`	Especifica el método de Suavizado exponencial. El valor predeterminado es `Simple`.
`futureValue_type_method`	`Compute` `specify`	Si se utiliza `Compute`, el sistema calcula los valores futuros para el periodo de previsión para cada predictor. Para cada predictor, puede elegir entre una lista de funciones (en blanco, media de los puntos recientes, el valor más reciente) o utilizar `specify` para especificar valores manualmente. Para especificar campos y propiedades individuales, utilice la propiedad `extend_metric_values`. Por ejemplo: `set :ts.futureValue_type_method="specify" set :ts.extend_metric_values=[{'Market_1','USER_SPECIFY', [1,2,3]}, {'Market_2','MOST_RECENT_VALUE', ''},{'Market_3','RECENT_POINTS_MEAN', ''}]`
`exsmooth_transformation_type`	`None` `SquareRoot` `NaturalLog`
`arima.p`	entero
`arima.d`	entero
`arima.q`	entero
`arima.sp`	entero
`arima.sd`	entero
`arima.sq`	entero
`arima_transformation_type`	`None` `SquareRoot` `NaturalLog`
`arima_include_constant`	distintivo
`tf_arima.p.` fieldname	entero	Para funciones de transferencia.
`tf_arima.d.` fieldname	entero	Para funciones de transferencia.
`tf_arima.q.` fieldname	entero	Para funciones de transferencia.
`tf_arima.sp.` fieldname	entero	Para funciones de transferencia.
`tf_arima.sd.` fieldname	entero	Para funciones de transferencia.
`tf_arima.sq.` fieldname	entero	Para funciones de transferencia.
`tf_arima.delay.` fieldname	entero	Para funciones de transferencia.
`tf_arima.transformation_type.` fieldname	`None` `SquareRoot` `NaturalLog`	Para funciones de transferencia.
`arima_detect_outliers`	distintivo
`arima_outlier_additive`	distintivo
`arima_outlier_level_shift`	distintivo
`arima_outlier_innovational`	distintivo
`arima_outlier_transient`	distintivo
`arima_outlier_seasonal_additive`	distintivo
`arima_outlier_local_trend`	distintivo
`arima_outlier_additive_patch`	distintivo
`max_lags`	entero
`cal_PI`	distintivo
`conf_limit_pct`	real
`events`	campos
`continue`	distintivo
`scoring_model_only`	distintivo	Se utiliza para modelos con cifras muy grandes (cientos de miles) o series temporales.
`forecastperiods`	entero
`extend_records_into_future`	distintivo
`extend_metric_values`	campos	Le permite proporcionar valores futuros para los predictores.
`conf_limits`	distintivo
`noise_res`	distintivo
`max_models_output`	entero	Controla cuántos modelos se muestran en el resultado. El valor predeterminado es `10`. Los modelos no se muestran en el resultado si el número total de modelos creados supera este valor. Todavía hay modelos disponibles para puntuar.
`missing_value_threshold`	double	Calcula las medidas de la calidad de datos para la variable de tiempo y para los datos de entrada correspondientes a cada serie temporal. Si la puntuación de calidad de datos es inferior a este umbral, se descartará la serie temporal correspondiente.
`compute_future_values_input`	Boolean	`False`: Calcule los valores futuros de las entradas. `True`: Seleccione los campos cuyos valores desea añadir a los datos.

¿Fue útil el tema?

0/1000