時系列ノードは、ローカル環境のデータで使用することも、分散環境のデータで使用することもできます。 このノードで、時系列から指数平滑化モデル、1 変量の自己回帰積分移動平均法 (ARIMA) モデル、または多変量 ARIMA (または伝達関数) モデルを推測して作成することを選択でき、その時系列データに基づいて予測を作成します。

指数平滑化は、前の時系列の観測結果に重み付けされた値を使用して将来の値を予測する方法です。 指数平滑法自体は、データの理論的解釈に基づいてはいません。 一度に 1 つのポイントを予測し、新しいデータが投入されるごとに予測を調整します。 この方法は、トレンド、季節性、またはその両方を示す時系列を予測する場合に役立ちます。 トレンドと季節性の処理方法が異なる、各種の指数平滑化モデルから選択できます。

ARIMA モデルには、トレンドおよび季節性のコンポーネントのモデル作成に指数平滑法モデルよりも洗練された方法が用意されています。特に、モデル内に独立 (予測フィールド) 変数を含むことが可能になりました。 これは、差異の程度と同様に自己回帰および移動平均の順序を明示して指定することと関連します。 予測変数を含んでその変数のいくつかまたはすべてに伝達関数を定義し、外れ値または明示した外れ値セットの自動検出を指定できます。

エキスパート モデラー オプションも利用可能です。これは、1 つ以上の対象変数に対して最も適合する ARIMA モデルまたは指数平滑化モデルを自動的に特定し、推定しようと試みるため、試行錯誤しながら適切なモデルを特定する必要がなくなります。 確信が持てない場合は、エキスパート モデラー オプションを使用してください。

予測変数が指定された場合、依存する時系列と統計的に顕著な関係があるこれらの変数を ARIMA モデル内に含めるために、エキスパート モデラーはそのような変数を選択します。 必要に応じて差分を取ることによって、また必要に応じて平方根変換または自然対数変換を使用して、モデル変数は変換されます。 デフォルトでは、エキスパート・モデラーがすべての指数平滑化モデルと ARIMA モデルを考慮し、各対象フィールドに最も適したモデルを選択します。 ただし、最適な指数平滑化モデルのみを取り上げるか、ARIMA モデルのみを取り上げるか、エキスパート・モデラーを制限することができます。 また、外れ値の自動検出も指定できます。