预测

说明

预测步骤从输入表读取时间序列，拟合预测模型，并将未来的预测值写入输出表。当您有按日期记录的历史值，并希望工作流生成可重复的预测时，请使用此步骤。

配置

预测参数

输入表 （必填）——包含历史时间序列的表。
输出表 （必填）——写入预测行的表。
日期列 （必填）——已映射的目标列，包含每条观测值的日期或时间戳。默认为 ds。
值列 （必填）——已映射的目标列，包含要预测的数值。
序列列 （可选）——已映射的目标列，用于在同一张表中标识各个独立的序列，例如客户、产品、区域或科目。
频率——Auto、Hourly、Daily、Weekly、Monthly 或 Quarterly。输入日期稀疏或不规则时，请使用明确的频率。
预测范围——要预测的未来期数。默认为 12。
模型——默认为 Automatic。也可选择 AutoETS、AutoARIMA、Seasonal Naive、Naive 或 AutoTheta。

表数据选择

使用表数据选择选项卡，在预测之前整理输入表。已映射的目标列必须包含日期列、值列和所有序列列。

使用检查源，根据所选输入表填充映射。在调整各列之前，可以同时填充映射的两侧、仅填充源侧或仅填充目标侧。

映射没有源列时，以及其目标列缺少日期列、值列或某个序列列时，无法保存——Source columns are required: use Populate to read them from the input table.

数据筛选器

使用筛选器选项卡，在运行预测之前限制行、应用条件、汇总输入数据或对结果切片。

行为

步骤会创建或更新已配置的输出表，写入所选预测范围的预测行。配置序列列后，PlaidCloud 会分别预测每个序列，并在输出中包含序列的值。

ARIMA 模型、拟合和诊断

模型设置部分包含以下字段：

模型（forecast_model）——除上述模型（automatic、auto_ets、auto_arima、seasonal_naive、naive、auto_theta）外，ARIMA、季节性 ARIMA (SARIMA) 和带回归变量的季节性 ARIMA (SARIMAX)（arima、sarima、sarimax）会按您给出的阶数拟合：ARIMA 阶数 (p, d, q)（order）为 [p, d, q]，季节阶数 (P, D, Q, m)（seasonal_order）为 [P, D, Q, s]（sarima、sarimax），回归变量列（exog_columns）指定外生回归变量列（sarimax）。
众数（mode）——forecast（默认）写入每个序列的预测。fit 使用 arima、sarima 或 sarimax 拟合一个序列，并将模型写为表。apply 写入由模型表（model_frame）指定的模型表的预测；对于 sarimax 模型，输入表包含未来的回归变量。
拟合值的对数（log_transform）——对值的自然对数进行拟合。使用 apply 时，表示预测是否从对数尺度返回。
改为写入诊断信息（diagnostics）——写入一张表而不是预测：residuals 或 coefficients 为 model_frame 中模型的残差或系数，autocorrelation（ACF 和 PACF）或 residual_stats 针对输入的值列，ljung_box 为模型残差每个滞后的 Q 统计量和 p 值，没有模型时则针对输入的值列。最大滞后（max_lag，默认 40）是 autocorrelation 和 ljung_box 的最大滞后，动态预测（将预测值反馈回去）（dynamic）使 residuals 使用动态样本内预测。
KNIME 时间序列节点（knime_config）——运行 KNIME 时间序列准备节点而不是预测：aggregate_granularity 将值聚合到年、季度、月、周、日、小时、分钟或秒，align_timestamps 将其对齐到某个周期。

AI 助手或 REST API 还可以设置 interval_levels（预测区间水平）；95 是唯一的水平。

资源

预测处理在单独的作业中运行。只有当预测需要的 CPU 或内存超过默认请求时，才启用高级资源管理。提高资源请求可能会在调度容量期间延迟预测的启动。同时设置 cpu（1 到 7，默认 1）和 memory（8 到 56 GiB，默认 8）。