Previsão

Descrição

A etapa Previsão lê uma série temporal de uma tabela de entrada, ajusta um modelo de previsão e grava os valores futuros previstos em uma tabela de saída. Use-a quando você tiver valores históricos por data e quiser que o fluxo de trabalho produza uma previsão repetível.

Configuração

Parâmetros de previsão

• Tabela de entrada (obrigatório) — a tabela que contém a série temporal histórica.
• Tabela de saída (obrigatório) — a tabela em que as linhas de previsão são gravadas.
• Coluna de data (obrigatório) — a coluna de destino mapeada que contém a data ou o carimbo de data/hora de cada observação. O padrão é ds.
• Coluna de valor (obrigatório) — a coluna de destino mapeada que contém o valor numérico a prever.
• Colunas de série (opcional) — colunas de destino mapeadas que identificam séries separadas na mesma tabela, como cliente, produto, região ou conta.
• Frequência — Auto, Hourly, Daily, Weekly, Monthly ou Quarterly. Use uma frequência explícita quando as datas de entrada forem esparsas ou irregulares.
• Horizonte — número de períodos futuros a prever. O padrão é 12.
• Modelo — Automatic por padrão. Você também pode selecionar AutoETS, AutoARIMA, Seasonal Naive, Naive ou AutoTheta.

Seleção de dados da tabela

Use a guia de seleção de dados da tabela para moldar a tabela de entrada antes da previsão. As colunas de destino mapeadas devem incluir a Coluna de data, a Coluna de valor e quaisquer Colunas de série.

Use Inspecionar origem para preencher o mapeamento a partir da tabela de entrada selecionada. Você pode preencher os dois lados do mapeamento, somente o lado da origem ou somente o lado do destino antes de ajustar as colunas.

O salvamento é recusado enquanto o mapeamento não tiver colunas de origem — As colunas de origem são obrigatórias: use Populate para lê-las da tabela de entrada. — e enquanto suas colunas de destino omitirem a Coluna de data, a Coluna de valor ou uma Coluna de série.

Filtros de dados

Use a guia de filtros para limitar linhas, aplicar condições, agregar os dados de entrada ou fatiar o resultado antes de a previsão ser executada.

Comportamento

A etapa cria ou atualiza a tabela de saída configurada com as linhas de previsão para o horizonte selecionado. Quando você configura Colunas de série, o PlaidCloud prevê cada série separadamente e inclui os valores da série na saída.

Modelos ARIMA, ajuste e diagnósticos

A seção Configurações do modelo tem estes campos:

• Modelo (forecast_model) — além dos modelos acima (automatic, auto_ets, auto_arima, seasonal_naive, naive, auto_theta), ARIMA, ARIMA sazonal (SARIMA) e ARIMA sazonal com regressores (SARIMAX) (arima, sarima, sarimax) ajustam a ordem que você informar, usando Ordem ARIMA (p, d, q) (order) é [p, d, q], Ordem sazonal (P, D, Q, m) (seasonal_order) é [P, D, Q, s] (sarima, sarimax), e Colunas de regressores (exog_columns) nomeia as colunas de regressores exógenos (sarimax).
• Modo (mode) — forecast (padrão) grava a previsão de cada série. fit ajusta uma série com arima, sarima ou sarimax e grava o modelo como uma tabela. apply grava as previsões da tabela de modelo indicada em Tabela de modelo (model_frame); para um modelo sarimax, a tabela de entrada contém os regressores futuros.
• Ajustar o logaritmo dos valores (log_transform) — ajusta sobre o logaritmo natural dos valores. Com apply, define se as previsões são retornadas da escala logarítmica.
• Gravar diagnósticos em vez disso (diagnostics) — grava uma tabela em vez de uma previsão: residuals ou coefficients do modelo em model_frame, autocorrelation (ACF e PACF) ou residual_stats da coluna de valor de entrada, ou ljung_box, a estatística Q e o valor p de cada defasagem dos resíduos do modelo, ou então da coluna de valor de entrada. Defasagem máxima (max_lag, padrão 40) é a maior defasagem para autocorrelation e ljung_box, e Prever dinamicamente (realimentar as previsões) (dynamic) faz residuals usar a previsão dinâmica na amostra.
• Nó de séries temporais do KNIME (knime_config) — executa um nó de preparação de séries temporais do KNIME em vez de uma previsão: aggregate_granularity agrega os valores por ano, trimestre, mês, semana, dia, hora, minuto ou segundo, e align_timestamps os alinha a um período.

Um assistente de IA ou a API REST também pode definir interval_levels, os níveis do intervalo de previsão; 95 é o único nível.

Recursos

O processamento da previsão é executado em um job separado. Ative o Gerenciamento avançado de recursos somente quando a previsão precisar de mais CPU ou memória do que a solicitação padrão. Aumentar as solicitações de recursos pode atrasar o início da Previsão enquanto a capacidade é agendada. Defina cpu (1 a 7, padrão 1) e memory (8 a 56 GiB, padrão 8) junto com ele.