Interrogation d'un modèle Time Series (Analysis Services - Exploration de données)

Vous pouvez extraire les périodicités qui ont été détectées dans la série chronologique en interrogeant l'arbre ARIMA ou l'arbre ARTxp. Toutefois, les périodicités dans le modèle terminé peuvent ne pas être les mêmes que les périodes que vous avez spécifiées comme indications lors de la création du modèle. Pour extraire les indications qui ont été fournies comme paramètres lors de la création du modèle, vous pouvez interroger l'ensemble de lignes de schéma du contenu du modèle d'exploration de données en utilisant l'instruction DMX suivante :

SELECT MINING_PARAMETERS 
FROM $system.DMSCHEMA_MINING_MODELS
WHERE MODEL_NAME = '<model name>'

Résultats partiels :

L'indication de périodicité par défaut, {1}, apparaît dans tous les modèles ; cet exemple de modèle a été créé avec une indication supplémentaire qui peut ne pas être présente dans le modèle final.

Retour au début

Vous pouvez récupérer l'équation d'un modèle ARIMA en interrogeant n'importe quel nœud d'un arbre individuel. N'oubliez pas que chaque arbre d'un modèle ARIMA représente une périodicité différente et, s'il y a plusieurs séries de données, chaque série de données aura son propre ensemble d'arbres de périodicités. Par conséquent, pour extraire l'équation correspondant à une série de données spécifique, vous devez tout d'abord identifier l'arbre.

Par exemple, le préfixe TA vous indique que le nœud appartient à un arbre ARIMA, alors que le préfixe TS est utilisé pour les arbres ARTXP. Vous pouvez rechercher tous les arbres racine ARIMA en interrogeant le contenu du modèle pour les nœuds ayant une valeur NODE_TYPE de 27. Vous pouvez également utiliser la valeur de ATTRIBUTE_NAME pour rechercher le nœud racine ARIMA pour une série de données particulière. Cet exemple de requête recherche les nœuds ARIMA qui représentent les quantités vendues du modèle R250 dans la région Europe.

SELECT NODE_UNIQUE_NAME
FROM Forecasting.CONTENT
WHERE ATTRIBUTE_NAME = 'R250 Europe: Quantity"
AND NODE_TYPE = 27

À l'aide de cet ID de nœud, vous pouvez récupérer des informations sur l'équation ARIMA pour cet arbre. L'instruction DMX suivante extrait la forme abrégée de l'équation ARIMA pour la série de données. Elle extrait également l'ordonnée à l'origine de la table imbriquée, NODE_DISTRIBUTION. Dans cet exemple, l'équation s'obtient en référençant l'ID unique de nœud TA00000007. Cependant, vous devrez peut-être utiliser un autre ID de nœud et vous obtiendrez éventuellement des résultats légèrement différents de votre modèle.

SELECT FLATTENED NODE_CAPTION as [Short equation], 
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE 
FROM NODE_DISTRIBUTION) as t
FROM Forecasting.CONTENT
WHERE NODE_NAME = 'TA00000007'

Résultats de l'exemple :

Pour plus d'informations sur l'interprétation de ces informations, consultez Contenu du modèle d'exploration de données pour les modèles de séries chronologiques (Analysis Services - Exploration de données).

Retour au début

Pour un modèle ARTxp, des informations différentes sont stockées à chaque niveau de l'arbre. Pour plus d'informations sur la structure d'un modèle ARTxp, et savoir comment interpréter les informations contenues dans l'équation, consultez Contenu du modèle d'exploration de données pour les modèles de séries chronologiques (Analysis Services - Exploration de données).

L'instruction DMX suivante extrait les informations de l'arbre ARTxp qui représente la quantité de ventes du modèle R250 en Europe.

SELECT NODE_CAPTION as [Split information], 
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE,
   [VARIANCE]
   FROM NODE_DISTRIBUTION) AS t
FROM Forecasting.CONTENT
WHERE NODE_ATTRIBUTE_NAME = 'R250 Europe:Quantity'
AND NODE_TYPE = 15

Pour plus d'informations sur l'interprétation de ces informations, consultez Contenu du modèle d'exploration de données pour les modèles de séries chronologiques (Analysis Services - Exploration de données).

Retour au début

Le comportement de prédiction diffère selon que vous étendez ou remplacez les cas de modèles. Lorsque vous étendez un modèle, les nouvelles données sont jointes à la fin de la série et la taille du jeu d'apprentissage augmente. Toutefois, les tranches de temps utilisées pour les requêtes de prédiction commencent toujours à la fin de la série d'origine. Par conséquent, si vous ajoutez trois nouveaux points de données et que vous demandez six prédictions, les trois premières prédictions retournées et les nouvelles données se chevauchent. Dans ce cas, Analysis Services retourne les nouveaux points de données réels au lieu d'effectuer une prédiction, jusqu'à ce que tous les nouveaux points de données soient utilisés. Ensuite, Analysis Services effectue des prédictions sur la base de la série composite.

Ce comportement vous permet d'ajouter de nouvelles données, puis d'afficher vos chiffres de vente réels dans le graphique de prédiction, au lieu de voir des projections.

Par exemple, pour ajouter trois nouveaux points de données et effectuer trois nouvelles prédictions, vous procéderiez comme suit :

• Créez une PREDICTION JOIN sur un modèle de série chronologique et spécifiez la source de trois mois de nouvelles données.

• Demandez des prédictions pour six tranches de temps. Pour ce faire, spécifiez 6 tranches de temps, où le point de départ est la tranche de temps 1 et le point de terminaison est la tranche de temps 7. Cela est vrai uniquement pour EXTEND_MODEL_CASES.

• Pour obtenir uniquement les nouvelles prédictions, vous spécifiez la tranche de temps 4 comme point de départ et la tranche de temps 7 comme point de terminaison.

• Vous devez utiliser l'argument EXTEND_MODEL_CASES.

  Les chiffres de vente réels sont retournés pour les trois premières tranches de temps et des prédictions basées sur le modèle étendu sont retournées pour les trois tranches de temps suivantes.

Retour au début

Lorsque vous remplacez les cas dans un modèle, la taille du modèle reste identique mais Analysis Services remplace les cas individuels dans le modèle. Ceci est utile pour les prédictions croisées et les scénarios dans lesquels la maintenance d'une taille de jeu de données d'apprentissage cohérente est importante.

Par exemple, l'un de vos magasins a des données de ventes insuffisantes. Vous pourriez créer un modèle général en faisant la moyenne des ventes pour tous les magasins dans une région particulière et former ensuite un modèle. Ensuite, pour effectuer des prédictions pour le magasin dont les données de ventes sont insuffisantes, vous créez une PREDICTION JOIN sur les nouvelles données de ventes uniquement pour ce magasin. Dans ce cas, Analysis Services conserve les modèles dérivés du modèle régional, mais remplace les cas d'apprentissage existants par les données du magasin individuel. En conséquence, vos valeurs de prédiction seront plus proches des lignes de tendance pour le magasin individuel.

Lorsque vous utilisez l'argument REPLACE_MODEL_CASES, Analysis Services ajoute continuellement de nouveaux cas à la fin de l'ensemble de cas et supprime un nombre correspondant au début de l'ensemble de cas. Si vous ajoutez davantage de nouvelles données qu'il n'en existait dans le jeu d'apprentissages d'origine, Analysis Services ignore les données les plus anciennes. Si vous fournissez suffisamment de nouvelles valeurs, les prédictions peuvent être basées sur des données complètement nouvelles.

Par exemple, vous avez formé votre modèle sur un jeu de données de cas qui contenait 1000 lignes. Vous ajoutez alors 100 lignes de nouvelles données. Analysis Services supprime les 100 premières lignes du jeu d'apprentissage et ajoute les 100 lignes de nouvelles données à la fin du jeu pour un total de 1000 lignes. Si vous ajoutez 1100 lignes de nouvelles données, seules les 1000 lignes les plus récentes sont utilisées.

Voici un autre exemple. Pour ajouter trois mois de nouvelles données et effectuer trois nouvelles prédictions, vous procéderiez comme suit :

• Créez une PREDICTION JOIN sur un modèle de série chronologique et utilisez l'argument REPLACE_MODEL_CASE.

• Spécifiez la source de trois mois de nouvelles données. Ces données peuvent provenir d'une source complètement différente des données d'apprentissage d'origine.

• Demandez des prédictions pour six tranches de temps. Pour cela, spécifiez 6 tranches de temps ou spécifiez que le point de départ est la tranche de temps 1 et le point de terminaison est la tranche de temps 7.

  [!REMARQUE]

  Contrairement à EXTEND_MODEL_CASES, vous ne pouvez pas retourner les mêmes valeurs que celles que vous avez ajoutées comme données d'entrée. Les six valeurs retournées sont des prédictions basées sur le modèle mis à jour, qui inclut à la fois les données anciennes et nouvelles.

  [!REMARQUE]

  Avec REPLACE_MODEL_CASES, commençant à la valeur timestamp 1, vous obtenez de nouvelles prédictions basées sur les nouvelles données, lesquelles remplacent les anciennes données d'apprentissage.

Pour obtenir des exemples de requêtes et des informations supplémentaires sur la syntaxe d'utilisation de REPLACE_MODEL_CASES et de EXTEND_MODEL_CASES, consultez PredictTimeSeries (DMX).

Retour au début

Lorsque vous ajoutez de nouvelles données à un modèle de série chronologique en utilisant une instruction PREDICTION JOIN, le nouveau dataset ne peut pas avoir de valeurs manquantes. Si une série est incomplète, le modèle doit fournir les valeurs manquantes en utilisant une valeur Null, une moyenne numérique, une moyenne numérique spécifique ou une valeur prédite. Si vous spécifiez EXTEND_MODEL_CASES, Analysis Services remplace les valeurs manquantes par des prédictions basées sur le modèle d'origine. Si vous utilisez REPLACE_MODEL_CASES, Analysis Services remplace les valeurs manquantes par la valeur que vous spécifiez dans le paramètre MISSING_VALUE_SUBSTITUTION.

Retour au début