propriétés ts | IBM Cloud Pak for Data as a Service

Retourner à la version anglaise de la documentation

propriétés ts

Dernière mise à jour : 07 oct. 2024

propriétés ts

Icône du noeud Séries temporelles Le noeud Séries temporelles estime les modèles de lissage exponentiel, d'ARIMA (Autoregressive Integrated Moving Average) univariable et d'ARIMA multivariable (ou fonction de transfert) pour les données de séries temporelles et génère des prévisions d`une performance future.

Tableau 1. propriétés ts
Propriétés `ts`	Valeurs	Description de la propriété
`targets`	Zone	Le noeud Séries temporelles prévoit une ou plusieurs cibles, utilisant éventuellement un ou plusieurs champs d'entrée en tant que prédicteurs. Les champs de fréquences et de pondération ne sont pas utilisés. Pour plus d'informations, voir Propriétés communes des noeuds de modélisation .
`candidate_inputs`	[field1 ... fieldN]	Champs d'entrée ou prédicteur utilisés par le modèle.
`use_period`	option
`date_time_field`	Zone
`input_interval`	`None` `Unknown` `Year` `Quarter` `Month` `Week` `Day` `Hour` `Hour_nonperiod` `Minute` `Minute_nonperiod` `Second` `Second_nonperiod`
`period_field`	Zone
`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`	option
`cross_hour`	option
`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_median` `Linear_trend`
`k_span_points`	Integer
`use_estimation_period`	option
`estimation_period`	`Observations` `Times`
`date_estimation`	list	Uniquement disponible si vous utilisez `date_time_field`
`period_estimation`	list	Uniquement disponible si vous utilisez `use_period`
`observations_type`	`Latest` `Earliest`
`observations_num`	Integer
`observations_exclude`	Integer
`method`	`ExpertModeler` `Exsmooth` `Arima`
`expert_modeler_method`	`ExpertModeler` `Exsmooth` `Arima`
`consider_seasonal`	option
`detect_outliers`	option
`expert_outlier_additive`	option
`expert_outlier_level_shift`	option
`expert_outlier_innovational`	option
`expert_outlier_level_shift`	option
`expert_outlier_transient`	option
`expert_outlier_seasonal_additive`	option
`expert_outlier_local_trend`	option
`expert_outlier_additive_patch`	option
`consider_newesmodels`	option
`exsmooth_model_type`	`Simple` `HoltsLinearTrend` `BrownsLinearTrend` `DampedTrend` `SimpleSeasonal` `WintersAdditive` `WintersMultiplicative` `DampedTrendAdditive` `DampedTrendMultiplicative` `MultiplicativeTrendAdditive` `MultiplicativeSeasonal` `MultiplicativeTrendMultiplicative` `MultiplicativeTrend`	Indique la méthode de lissage exponentiel. La valeur par défaut est `Simple`.
`futureValue_type_method`	`Compute` `specify`	Si `Compute` est utilisé, le système calcule les valeurs futures de la période de prévision pour chaque prédicteur. Pour chaque prédicteur, vous pouvez choisir dans une liste de fonctions (vide, moyenne de points récents, valeur la plus récente) ou utiliser `specify` pour entrer des valeurs manuellement. Pour spécifier des propriétés et des champs individuels, utilisez la propriété `extend_metric_values`. Par exemple : `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`	Integer
`arima.d`	Integer
`arima.q`	Integer
`arima.sp`	Integer
`arima.sd`	Integer
`arima.sq`	Integer
`arima_transformation_type`	`None` `SquareRoot` `NaturalLog`
`arima_include_constant`	option
`tf_arima.p.` nom de champ	Integer	Pour les fonctions de transfert.
`tf_arima.d.` nom de champ	Integer	Pour les fonctions de transfert.
`tf_arima.q.` nom de champ	Integer	Pour les fonctions de transfert.
`tf_arima.sp.` nom de champ	Integer	Pour les fonctions de transfert.
`tf_arima.sd.` nom de champ	Integer	Pour les fonctions de transfert.
`tf_arima.sq.` nom de champ	Integer	Pour les fonctions de transfert.
`tf_arima.delay.` nom de champ	Integer	Pour les fonctions de transfert.
`tf_arima.transformation_type.` nom de champ	`None` `SquareRoot` `NaturalLog`	Pour les fonctions de transfert.
`arima_detect_outliers`	option
`arima_outlier_additive`	option
`arima_outlier_level_shift`	option
`arima_outlier_innovational`	option
`arima_outlier_transient`	option
`arima_outlier_seasonal_additive`	option
`arima_outlier_local_trend`	option
`arima_outlier_additive_patch`	option
`max_lags`	Integer
`cal_PI`	option
`conf_limit_pct`	real
`events`	Zones
`continue`	option
`scoring_model_only`	option	Utilisation pour les modèles comportant un grand nombre (des dizaines de milliers) de séries temporelles.
`forecastperiods`	Integer
`extend_records_into_future`	option
`extend_metric_values`	Zones	Vous permet de fournir des valeurs futures pour des prédicteurs.
`conf_limits`	option
`noise_res`	option
`max_models_output`	Integer	Contrôle le nombre de modèles affichés dans la sortie. La valeur par défaut est `10`. Les modèles ne sont pas affichés dans la sortie si le nombre total de modèles générés dépasse cette valeur. Toutefois, les modèles sont disponibles pour le scoring.
`missing_value_threshold`	doublon	Calcule les mesures de qualité des données pour la variable de temps et pour les données d'entrée correspondant à chaque série temporelle. Si le score de qualité des données est inférieur à ce seuil, la série temporelle correspondante sera supprimée.
`compute_future_values_input`	Booléen	`False`: calcul des valeurs futures des entrées. `True` : Sélectionnez les champs pour lesquels vous souhaitez ajouter les valeurs aux données.