ts, Eigenschaften

Letzte Aktualisierung: 11. Feb. 2025

ts, Eigenschaften

Symbol für Zeitreihenknoten Der Zeitreihenknoten berechnet Schätzungen für die exponentielle Glättung sowie univariate und multivariate ARIMA-Modelle (ARIMA steht für Autoregressive Integrated Moving Average (autoregressiver, integrierter gleitender Durchschnitt)) für Zeitreihendaten und erstellt Vorhersagen über die zukünftige Leistung.

Tabelle 1. ts-Eigenschaften
`ts`Eigenschaften	Werte	Eigenschaftsbeschreibung
`targets`	Feld	Der Zeitreihenknoten sagt mindestens ein Ziel voraus; optional können dabei ein oder mehrere Eingabefelder als Prädiktoren verwendet werden. Häufigkeits- und Gewichtungsfelder werden nicht verwendet. Weitere Informationen finden Sie unter Allgemeine Eigenschaften von Modellierungsknoten .
`candidate_inputs`	[field1 ... fieldN]	Im Modell verwendete Eingabe- bzw. Prädiktorfelder.
`use_period`	Markierung
`date_time_field`	Feld
`input_interval`	`None` `Unknown` `Year` `Quarter` `Month` `Week` `Day` `Hour` `Hour_nonperiod` `Minute` `Minute_nonperiod` `Second` `Second_nonperiod`
`period_field`	Feld
`period_start_value`	Ganze Zahl
`num_days_per_week`	Ganze Zahl
`start_day_of_week`	`Sunday` `Monday` `Tuesday` `Wednesday` `Thursday` `Friday` `Saturday`
`num_hours_per_day`	Ganze Zahl
`start_hour_of_day`	Ganze Zahl
`timestamp_increments`	Ganze Zahl
`cyclic_increments`	Ganze Zahl
`cyclic_periods`	Liste
`output_interval`	`None` `Year` `Quarter` `Month` `Week` `Day` `Hour` `Minute` `Second`
`is_same_interval`	Markierung
`cross_hour`	Markierung
`aggregate_and_distribute`	Liste
`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`	Ganze Zahl
`use_estimation_period`	Markierung
`estimation_period`	`Observations` `Times`
`date_estimation`	Liste	Nur verfügbar, wenn Sie `date_time_field`verwenden
`period_estimation`	Liste	Nur verfügbar, wenn Sie `use_period`verwenden
`observations_type`	`Latest` `Earliest`
`observations_num`	Ganze Zahl
`observations_exclude`	Ganze Zahl
`method`	`ExpertModeler` `Exsmooth` `Arima`
`expert_modeler_method`	`ExpertModeler` `Exsmooth` `Arima`
`consider_seasonal`	Markierung
`detect_outliers`	Markierung
`expert_outlier_additive`	Markierung
`expert_outlier_level_shift`	Markierung
`expert_outlier_innovational`	Markierung
`expert_outlier_level_shift`	Markierung
`expert_outlier_transient`	Markierung
`expert_outlier_seasonal_additive`	Markierung
`expert_outlier_local_trend`	Markierung
`expert_outlier_additive_patch`	Markierung
`consider_newesmodels`	Markierung
`exsmooth_model_type`	`Simple` `HoltsLinearTrend` `BrownsLinearTrend` `DampedTrend` `SimpleSeasonal` `WintersAdditive` `WintersMultiplicative` `DampedTrendAdditive` `DampedTrendMultiplicative` `MultiplicativeTrendAdditive` `MultiplicativeSeasonal` `MultiplicativeTrendMultiplicative` `MultiplicativeTrend`	Gibt die Methode für exponentielle Glättung an. Der Standardwert ist `Simple`.
`futureValue_type_method`	`Compute` `specify`	Wenn `Compute`verwendet wird, berechnet das System die zukünftigen Werte für die Vorhersageperiode für jeden Prädiktor. Für jeden Prädiktor können Sie aus einer Liste von Funktionen (leer, Mittelwert der letzten Punkte, letzter Wert) auswählen oder mit `specify`manuell Werte eingeben. Um einzelne Felder und Eigenschaften anzugeben, verwenden Sie die Eigenschaft`extend_metric_values`. Beispiel: `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`	Ganze Zahl
`arima.d`	Ganze Zahl
`arima.q`	Ganze Zahl
`arima.sp`	Ganze Zahl
`arima.sd`	Ganze Zahl
`arima.sq`	Ganze Zahl
`arima_transformation_type`	`None` `SquareRoot` `NaturalLog`
`arima_include_constant`	Markierung
`tf_arima.p.` feldname	Ganze Zahl	Für Transferfunktionen.
`tf_arima.d.` feldname	Ganze Zahl	Für Transferfunktionen.
`tf_arima.q.` feldname	Ganze Zahl	Für Transferfunktionen.
`tf_arima.sp.` feldname	Ganze Zahl	Für Transferfunktionen.
`tf_arima.sd.` feldname	Ganze Zahl	Für Transferfunktionen.
`tf_arima.sq.` feldname	Ganze Zahl	Für Transferfunktionen.
`tf_arima.delay.` feldname	Ganze Zahl	Für Transferfunktionen.
`tf_arima.transformation_type.` feldname	`None` `SquareRoot` `NaturalLog`	Für Transferfunktionen.
`arima_detect_outliers`	Markierung
`arima_outlier_additive`	Markierung
`arima_outlier_level_shift`	Markierung
`arima_outlier_innovational`	Markierung
`arima_outlier_transient`	Markierung
`arima_outlier_seasonal_additive`	Markierung
`arima_outlier_local_trend`	Markierung
`arima_outlier_additive_patch`	Markierung
`max_lags`	Ganze Zahl
`cal_PI`	Markierung
`conf_limit_pct`	real
`events`	Felder
`continue`	Markierung
`scoring_model_only`	Markierung	Für Modelle mit sehr großen Zahlen (Zehntausende) von Zeitreihen.
`forecastperiods`	Ganze Zahl
`extend_records_into_future`	Markierung
`extend_metric_values`	Felder	Hiermit können Sie zukünftige Werte für Prädiktoren angeben.
`conf_limits`	Markierung
`noise_res`	Markierung
`max_models_output`	Ganze Zahl	Steuert, wie viele Modelle in der Ausgabe angezeigt werden. Der Standardwert ist `10`. Modelle werden nicht in der Ausgabe angezeigt, wenn die Gesamtzahl der erstellten Modelle diesen Wert überschreitet. Modelle stehen weiterhin für das Scoring zur Verfügung.
`missing_value_threshold`	double	Berechnet Datenqualitätsmaße für die Zeitvariable und für Eingabedaten, die den jeweiligen Zeitreihen entsprechen. Wenn der Datenqualitätsscore unter diesem Schwellenwert liegt, wird die entsprechende Zeitreihe verworfen.
`compute_future_values_input`	Boolesch	`False`: Berechnung zukünftiger Werte von Eingaben. `True`: Wählen Sie Felder aus, deren Werte Sie den Daten hinzufügen möchten.

War das Thema hilfreich?

0/1000