예측

설명

예측 단계는 입력 테이블에서 시계열을 읽고 예측 모델을 적합시킨 다음, 미래의 예측값을 출력 테이블에 기록합니다. 날짜별 과거 값이 있고 워크플로에서 반복 가능한 예측을 생성하려는 경우에 사용합니다.

구성

예측 매개변수

• 입력 테이블 (필수) — 과거 시계열이 들어 있는 테이블입니다.
• 출력 테이블 (필수) — 예측 행을 기록할 테이블입니다.
• 날짜 열 (필수) — 각 관측값의 날짜 또는 타임스탬프가 들어 있는 매핑된 대상 열입니다. 기본값은 ds입니다.
• 값 열 (필수) — 예측할 숫자 값이 들어 있는 매핑된 대상 열입니다.
• 계열 열 (선택) — 같은 테이블 안에서 고객, 제품, 지역, 계정처럼 서로 다른 계열을 구분하는 매핑된 대상 열입니다.
• 빈도 — Auto, Hourly, Daily, Weekly, Monthly, Quarterly 중 하나입니다. 입력 날짜가 듬성듬성하거나 불규칙할 때는 빈도를 명시적으로 지정하십시오.
• 예측 기간 — 예측할 미래 기간의 수입니다. 기본값은 12입니다.
• 모델 — 기본값은 Automatic입니다. AutoETS, AutoARIMA, Seasonal Naive, Naive, AutoTheta를 선택할 수도 있습니다.

테이블 데이터 선택

테이블 데이터 선택 탭을 사용하여 예측 전에 입력 테이블의 형태를 조정합니다. 매핑된 대상 열에는 날짜 열, 값 열, 그리고 모든 계열 열이 포함되어야 합니다.

소스 검사를 사용하면 선택한 입력 테이블에서 매핑을 채웁니다. 열을 조정하기 전에 매핑의 양쪽, 소스 쪽만 또는 대상 쪽만 채울 수 있습니다.

매핑에 소스 열이 없는 경우 — 소스 열이 필요합니다. 채우기를 사용하여 입력 테이블에서 읽어 오십시오. — 그리고 대상 열에 날짜 열, 값 열 또는 계열 열이 빠져 있는 동안에는 저장이 거부됩니다.

데이터 필터

필터 탭을 사용하여 예측이 실행되기 전에 행을 제한하거나, 조건을 적용하거나, 입력 데이터를 집계하거나, 결과를 분할합니다.

동작

단계는 선택한 예측 기간만큼의 예측 행으로 구성된 출력 테이블을 만들거나 업데이트합니다. 계열 열을 구성하면 PlaidCloud는 각 계열을 따로 예측하고 출력에 계열 값을 포함합니다.

ARIMA 모델, 적합 및 진단

모델 설정 섹션에는 다음 필드가 있습니다.

• 모델(forecast_model) — 위의 모델(automatic, auto_ets, auto_arima, seasonal_naive, naive, auto_theta) 외에도 ARIMA, 계절 ARIMA(SARIMA), 회귀자가 있는 계절 ARIMA(SARIMAX)(arima, sarima, sarimax)는 사용자가 지정한 차수로 적합합니다. ARIMA 차수(p, d, q)(order)는 [p, d, q]이고, 계절 차수(P, D, Q, m)(seasonal_order)는 [P, D, Q, s](sarima, sarimax)이며, 회귀자 열(exog_columns)은 외생 회귀자 열의 이름을 지정합니다(sarimax).
• 모드(mode) — forecast(기본값)는 모든 계열의 예측을 기록합니다. fit은 arima, sarima 또는 sarimax로 계열 하나를 적합시키고 모델을 테이블로 기록합니다. apply는 모델 테이블(model_frame)에 지정된 모델 테이블의 예측을 기록하며, sarimax 모델의 경우 입력 테이블에 미래의 회귀자가 들어 있습니다.
• 값의 로그에 적합(log_transform) — 값의 자연로그에 적합시킵니다. apply에서는 예측값을 로그 척도에서 반환할지 여부를 나타냅니다.
• 대신 진단 기록(diagnostics) — 예측 대신 테이블 하나를 기록합니다. model_frame 모델의 residuals 또는 coefficients, 입력 값 열의 autocorrelation(ACF 및 PACF) 또는 residual_stats, 또는 모델 잔차의 각 지연에 대한 Q 통계량과 p-값인 ljung_box(모델이 없으면 입력 값 열의 것)입니다. 최대 지연(max_lag, 기본값 40)은 autocorrelation과 ljung_box의 최대 지연이며, 동적으로 예측(예측값을 되먹임)(dynamic)은 residuals가 동적 표본 내 예측을 사용하도록 합니다.
• KNIME 시계열 노드(knime_config) — 예측 대신 KNIME 시계열 준비 노드를 실행합니다. aggregate_granularity는 값을 연, 분기, 월, 주, 일, 시, 분 또는 초 단위로 집계하고, align_timestamps는 값을 기간에 맞춰 정렬합니다.

AI 어시스턴트나 REST API로 예측 구간 수준인 interval_levels를 설정할 수도 있으며, 사용할 수 있는 수준은 95뿐입니다.

리소스

예측 처리는 별도의 작업에서 실행됩니다. 예측에 기본 요청보다 많은 CPU 또는 메모리가 필요할 때만 고급 리소스 관리 사용을 켜십시오. 리소스 요청을 늘리면 용량이 일정에 반영되는 동안 예측 시작이 지연될 수 있습니다. 이 옵션과 함께 cpu(17, 기본값 1)와 memory(856GiB, 기본값 8)를 설정합니다.