Прогнозы временных рядов с заменой данных (учебник по интеллектуальному анализу данных — средний уровень)

Применимо к: SQL Server 2016 Preview

В этой задаче вы создадите новую модель на основе данных о продажах во всем мире. Затем вы создадите прогнозирующий запрос, в котором модель мировых продаж будет применена к одному из регионов

Создание общей модели

Помните, что анализ результатов начальной модели интеллектуального анализа данных показал большие различия между регионами и линейками продуктов. Например, продажи модели M200 в Северной Америке были высоки, а продажи модели T1000 были не так успешны. Тем не менее анализ осложняется тем, что по некоторым рядам имелось мало данных либо сбор данных начался в другой момент времени. Кроме того, некоторые данные отсутствовали.

Для устранения некоторых проблем с качеством данных принимается решение слить воедино данные о продажах по всему миру и использовать этот набор общих трендов продаж для создания общей модели, которая позволит прогнозировать продажи в любом регионе.

Для прогнозирования вы будете использовать закономерность, полученную во время обучения модели с данными мировых продаж, но заменять исторические точки данных данными о продажах для каждого отдельного региона. Таким образом, форма тренда сохраняется, но спрогнозированные значения будут соответствовать историческим показателям продаж для каждого региона и модели.

Перекрестное прогнозирование с помощью модели временных рядов

Процесс использования данных одного ряда для прогнозирования трендов в другом ряду называется перекрестным прогнозированием. Перекрестное прогнозирование можно использовать во многих сценариях: например, может решить, что продажи телевизоров являются хорошим прогнозом общей экономической деятельности и применить модель обучения на продажах телевизоров, к общим экономическим данным.

В SQL Server интеллектуального анализа данных, выполнять перекрестные прогнозы с помощью параметра REPLACE_MODEL_CASES в аргументах функции, PredictTimeSeries ( расширений интеллектуального анализа данных ).

В следующей задаче вы узнаете, как использовать параметр REPLACE_MODEL_CASES. Вы используете объединенные данные о мировых продажах для создания модели, а затем создадите прогнозирующий запрос, сопоставляющий общую модель с данными для замены.

Предполагается, что вы уже знаете, как создавать модели интеллектуального анализа данных, поэтому инструкции по созданию модели упрощены.

Построение структуры и модели интеллектуального анализа данных с использованием агрегатных данных

1. В обозревателе, щелкните правой кнопкой мыши структуры интеллектуального анализа данных, и выберите новую структуру интеллектуального анализа данных для запуска мастера интеллектуального анализа данных.

2. В окне мастера интеллектуального анализа данных выберите указанные ниже элементы.

   • Алгоритм: Microsoft временных рядов

   • В качестве источника данных для модели используйте источник данных, который уже создали ранее на этом уроке. В разделе Дополнительные прогнозы временных рядов ( учебник по интеллектуальному анализу данных — средний ).

     Представление источника данных: AllRegions

   • Выберите следующие столбцы для ключа ряда и временного ключа:

     Временной ключ: ReportingDate

     Ключ: область

   • Выберите следующие столбцы для ввода и Predict:

     SumQty

     SumAmt

     AvgAmt

     AvgQty

   • Для имя структуры интеллектуального анализа данных, тип: все области

   • Для имя модели интеллектуального анализа данных, тип: все области

3. Обработайте новую структуру и новую модель.

Создание прогнозирующего запроса и сопоставление данных для замены с моделью

1. Если модель не открыт, дважды щелкните структуру AllRegions и в конструкторе интеллектуального анализа данных щелкните Прогнозирование моделей интеллектуального анализа вкладки.

2. В модель интеллектуального анализа данных области, модель AllRegions уже должен быть установлен. Если он не установлен, нажмите кнопку Выбор модели, а затем выберите эту модель.

3. В Выбор входных таблиц панели, щелкните выбрать таблицу вариантов.

4. В выберите таблицу диалоговое окно, измените источник данных на T1000 Pacific Region и нажмите кнопку ОК.

5. Щелкните правой кнопкой мыши соединительную линию между моделью интеллектуального анализа данных и входных данных и выберите Изменить соединения. Сопоставьте данные в представлении источника данных с моделью следующим образом.

   1. Убедитесь, что столбец ReportingDate в модели интеллектуального анализа данных сопоставляется со столбцом ReportingDate во входных данных.

   2. В Изменение сопоставления пункт в строке AvgQty столбца модели диалогового столбец таблицы и выберите пункт T1000 Pacific.Quantity. Нажмите кнопку ОК.

      На этом шаге сопоставляется столбец, созданный в модели для прогнозирования среднего количества, с фактическими данными о количестве продаж продукта T1000.

   3. Не сопоставляйте столбец региона в модели для входного столбца.

      Поскольку в модели объединены данные по всем рядам, для значений рядов, таких как T1000 Pacific, совпадений нет и при выполнении прогнозирующего запроса возникает ошибка.

6. Теперь вы создадите прогнозирующий запрос.

   Сначала добавьте к результатам столбец, который выдает с прогнозами метку AllRegions из модели. Таким образом, вы знаете, что результаты были основаны на общей модели.

   1. В сетке щелкните первую пустую строку в столбце источника, а затем выберите модель интеллектуального анализа данных AllRegions.

   2. Для поля, выберите регион.

   3. Для псевдоним, тип модель используется.

7. Теперь добавьте к результатам другую метку, чтобы видеть, к какому ряду относится прогноз.

   1. Щелкните пустую строку, а затем в разделе источника, выберите пользовательское выражение.

   2. В псевдоним введите ModelRegion.

   3. В Критерий или аргумент введите 'T1000 Pacific'.

8. Теперь вы создадите функцию перекрестного прогнозирования.

   1. Щелкните пустую строку, а затем в разделе источника, выберите Прогнозирующая функция.

   2. В поле выберите PredictTimeSeries.

   3. Для псевдоним, тип прогнозируемые значения.

   4. Перетащите поле AvgQty из модель интеллектуального анализа данных на панель Критерий или аргумент столбца с помощью операции перетаскивания.

   5. В Критерий или аргумент столбец, после имени поля введите следующий текст: ,5, REPLACE_MODEL_CASES

      Полный текст Критерий или аргумент текстовое поле должно быть следующим: [AllRegions].[AvgQty],5,REPLACE_MODEL_CASES

9. Щелкните результатов.

Создание запроса перекрестного прогнозирования в DMX

Вы заметили проблему с перекрестным прогнозированием: дело в том, что чтобы применить общую модель к другому ряду данных, такие как модель продукта T1000 в Северной Америке, необходимо создать другой запрос для каждого ряда, чтобы можно было сопоставить каждый набор входных данных в модель.

Но можно не создавать запрос в конструкторе, а перейти в представление DMX и отредактировать созданную инструкцию DMX. Например, следующая инструкция DMX представляет только что созданный запрос:

SELECT  
      ([All Regions].[Region]) as [Model Used],  
      ('T-1000 Pacific') as [ModelRegion],  
      (PredictTimeSeries([All Regions].[Avg Qty],5, REPLACE_MODEL_CASES)) as [Predicted Quantity]  
     FROM [All Regions]  
PREDICTION JOIN  
    OPENQUERY([Adventure Works DW2003R2], 'SELECT [ReportingDate] FROM  
      (  
       SELECT  ReportingDate, ModelRegion, Quantity, Amount   
       FROM dbo.vTimeSeries   
       WHERE (ModelRegion = N''T1000 Pacific'')  
       ) as [T1000 Pacific]    ')   
    AS t  
ON   
[All Regions].[Reporting Date] = t.[ReportingDate]   
AND   
[All Regions].[Avg Qty] = t.[Quantity]  

Чтобы применить ее к другой модели, достаточно изменить инструкцию запроса, заменив условие фильтра, и обновить метки для каждого результата.

Например, в случае изменения условий фильтра и меток столбцов путем замены «Pacific» на «North America» будут получены прогнозы для продукта T1000 в Северной Америке на основании шаблонов в общей модели.

Следующая задача занятия

Сравнение прогнозов для прогнозирования модели ( учебник по интеллектуальному анализу данных — средний )

См. также:

Примеры запросов моделей временных рядов
PredictTimeSeries (расширения интеллектуального анализа данных)