Forecast

Descrição

O passo Forecast lê uma série temporal de uma tabela de entrada, ajusta um modelo de previsão e escreve os valores futuros previstos numa tabela de saída. Utilize-o quando tem valores históricos por data e pretende 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 onde as linhas de previsão são escritas.
• Coluna de data (obrigatório) — a coluna de destino mapeada que contém a data ou o carimbo de data/hora de cada observação. A predefinição é ds.
• Coluna de valor (obrigatório) — a coluna de destino mapeada que contém o valor numérico a prever.
• Colunas de séries (opcional) — colunas de destino mapeadas que identificam séries separadas dentro da mesma tabela, como cliente, produto, região ou conta.
• Frequência — Auto, Hourly, Daily, Weekly, Monthly ou Quarterly. Utilize uma frequência explícita quando as datas de entrada são esparsas ou irregulares.
• Horizonte — número de períodos futuros a prever. A predefinição é 12.
• Modelo — Automatic por predefinição. Também pode selecionar AutoETS, AutoARIMA, Seasonal Naive, Naive ou AutoTheta.

Seleção de dados da tabela

Utilize o separador de seleção de dados da tabela para moldar a tabela de entrada antes da previsão. As colunas de destino mapeadas têm de incluir a Coluna de data, a Coluna de valor e quaisquer Colunas de séries.

Utilize Inspecionar origem para preencher o mapeamento a partir da tabela de entrada selecionada. Pode preencher os dois lados do mapeamento, apenas o lado da origem ou apenas o lado do destino antes de ajustar as colunas.

A gravação é recusada enquanto o mapeamento não tiver colunas de origem — Source columns are required: use Populate to read them from the input table. — e enquanto as suas colunas de destino não incluírem a Coluna de data, a Coluna de valor ou uma Coluna de séries.

Filtros de dados

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

Comportamento

O passo cria ou atualiza a tabela de saída configurada com linhas de previsão para o horizonte selecionado. Quando configura Colunas de séries, o PlaidCloud prevê cada série em separado e inclui os valores da série na saída.

Modelos ARIMA, ajuste e diagnósticos

A secção 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 indicada, utilizando Ordem ARIMA (p, d, q) (order), que é [p, d, q], Ordem sazonal (P, D, Q, m) (seasonal_order), que é [P, D, Q, s] (sarima, sarimax), e Colunas de regressores (exog_columns), que indica as colunas de regressores exógenos (sarimax).
• Modo (mode) — forecast (predefinição) escreve a previsão de cada série. fit ajusta uma série com arima, sarima ou sarimax e escreve o modelo como tabela. apply escreve 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, indica se as previsões são devolvidas a partir da escala logarítmica.
• Escrever diagnósticos em vez disso (diagnostics) — escreve 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 desfasamento dos resíduos do modelo, ou, na falta deste, da coluna de valor de entrada. Defasagem máxima (max_lag, predefinição 40) é o maior desfasamento para autocorrelation e ljung_box, e Prever dinamicamente (realimentar as previsões) (dynamic) faz com que residuals utilize a previsão dinâmica dentro da 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 alinha-os 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 numa tarefa separada. Ative a Gestão avançada de recursos apenas quando a previsão precisar de mais CPU ou memória do que o pedido predefinido. O aumento dos pedidos de recursos pode atrasar o arranque da previsão enquanto a capacidade é agendada. Defina cpu (1 a 7, predefinição 1) e memory (8 a 56 GiB, predefinição 8) com ela.