PredictTimeSeries (DMX)

S’applique à : SQL Server Analysis Services

Retourne les valeurs suivantes prédites pour les données de série chronologique. Les données de séries chronologiques étant continues, elles peuvent être stockées dans une table imbriquée ou une table de cas. La fonction PredictTimeSeries retourne toujours une table imbriquée.

Syntaxe

  
PredictTimeSeries(<table column reference>)  
PredictTimeSeries(<table column reference>, n)  
PredictTimeSeries(<table column reference>, n-start, n-end)  
PredictTimeSeries(<scalar column reference>)  
PredictTimeSeries(<scalar column reference>, n)  
PredictTimeSeries(<scalar column reference>, n-start, n-end)  
PredictTimeSeries(<table column reference>, n, REPLACE_MODEL_CASES | EXTEND_MODEL_CASES) PREDICTION JOIN <source query>  
PredictTimeSeries(<table column reference>, n-start, n-end, REPLACE_MODEL_CASES | EXTEND_MODEL_CASES) PREDICTION JOIN <source query>  
PredictTimeSeries(<scalar column reference>, n, REPLACE_MODEL_CASES | EXTEND_MODEL_CASES) PREDICTION JOIN <source query>  
PredictTimeSeries(<scalar column reference>, n-start, n-end, REPLACE_MODEL_CASES | EXTEND_MODEL_CASES) PREDICTION JOIN <source query>  

Arguments

<référence de> colonne de table, <référence de colonne scalaire>
Spécifie le nom de la colonne à prédire. La colonne peut contenir des données scalaires ou tabulaires.

n
Spécifie le nombre d'étapes suivantes à prédire. Si une valeur n’est pas spécifiée, la valeur par défaut est 1.

n ne peut pas être 0. La fonction retourne une erreur si vous ne faites pas au moins une prédiction.

n-start, n-end
Spécifie une plage d'étapes de série chronologique.

n-start doit être un entier et ne peut pas être 0.

n-end doit être un entier supérieur à n-start.

<requête source>
Définit les données externes qui sont utilisées pour faire des prédictions.

REPLACE_MODEL_CASES | EXTEND_MODEL_CASES
Indique comment gérer de nouvelles données.

REPLACE_MODEL_CASES spécifie que les points de données dans le modèle doivent être remplacés par les nouvelles données. Toutefois, les prédictions sont basées sur les modèles dans le modèle d'exploration de données existant.

EXTEND_MODEL_CASES spécifie que les nouvelles données doivent être ajoutées au jeu de données d'apprentissage d'origine. Les futures prédictions sont élaborées uniquement sur le jeu de données composite après que les nouvelles données ont été utilisées.

Ces arguments peuvent être uniquement utilisés lorsque les nouvelles données sont ajoutées à l'aide d'une instruction PREDICTION JOIN. Si vous utilisez une requête PREDICTION JOIN et que vous ne spécifiez pas d'argument, la valeur par défaut est EXTEND_MODEL_CASES.

Type renvoyé

Expression <>de table.

Notes

L’algorithme Microsoft Time Series ne prend pas en charge la prédiction historique lorsque vous utilisez l’instruction PREDICTION JOIN pour ajouter de nouvelles données.

Dans une instruction PREDICTION JOIN, le processus de prédiction commence toujours à l'étape venant immédiatement après la fin de la série d'apprentissage d'origine. Cela est vrai même si vous ajoutez de nouvelles données. Par conséquent, les valeurs de paramètre n et de paramètre n-start doivent être un entier supérieur à 0.

Exemples

Les exemples suivants montrent comment faire des prédictions sur un modèle de série chronologique existant :

• Le premier exemple montre comment faire un nombre spécifié de prédictions basées sur le modèle actif.

• Le deuxième exemple indique comment utiliser le paramètre REPLACE_MODEL_CASES pour appliquer les modèles dans le modèle spécifié à un nouveau jeu de données.

• Le troisième exemple indique comment utiliser le paramètre EXTEND_MODEL_CASES pour mettre à jour un modèle d'exploration de données avec de nouvelles données.

Pour en savoir plus sur l’utilisation des modèles de série chronologique, consultez le didacticiel sur l’exploration de données, leçon 2 : Création d’un scénario de prévision (didacticiel sur l’exploration de données intermédiaire) et didacticiel DMX de prédiction de série chronologique.

Exemple 1 : Prédiction de plusieurs tranches de temps

L’exemple suivant utilise la fonction PredictTimeSeries pour retourner une prédiction pour les trois étapes suivantes et limite les résultats à la série M200 dans les régions Europe et Pacifique. Dans ce modèle particulier, l’attribut prédictible est Quantity. Vous devez donc utiliser [Quantity] comme premier argument pour la fonction PredictTimeSeries.

SELECT FLATTENED  
    [Forecasting].[Model Region],  
    PredictTimeSeries([Forecasting].[Quantity],3)AS t   
FROM  
    [Forecasting]  
WHERE [Model Region] = 'M200 Europe'  
OR [Model Region] = 'M200 Pacific'  

Résultats attendus :

Dans cet exemple, le mot clé FLATTENED a été utilisé pour simplifier la lecture des résultats. Si vous n'utilisez pas le mot clé FLATTENED et qu'à la place vous retournez un ensemble de lignes hiérarchique, cette requête retourne deux colonnes. La première contient la valeur de [ModelRegion] et la deuxième une table imbriquée à deux colonnes : $TIME, qui affiche les tranches de temps prédites, et Quantity, qui contient les valeurs prédites.

Exemple 2 : ajout de nouvelles données et utilisation de REPLACE_MODEL_CASES

Supposez que vous constatez que les données étaient incorrectes pour une région particulière et que vous souhaitez utiliser les modèles dans le modèle, tout en ajustant les prédictions pour qu'elles correspondent aux nouvelles données. Ou il se peut que vous constatiez qu'une autre région a des tendances plus fiables et que vous souhaitiez appliquer le modèle le plus fiable aux données d'une région différente.

Dans de tels scénarios, vous pouvez utiliser le paramètre REPLACE_MODEL_CASES et spécifier un nouveau jeu de données à utiliser comme données d'historique. De cette façon, les projections seront basées sur les modèles dans le modèle spécifié, mais continueront de manière fluide à partir de la fin des nouveaux points de données. Pour obtenir une procédure pas à pas complète de ce scénario, consultez Les prédictions avancées de série chronologique (didacticiel sur l’exploration de données intermédiaire).

La requête PREDICTION JOIN suivante illustre la syntaxe pour remplacer des données et élaborer de nouvelles prédictions. Pour les données de remplacement, l'exemple extrait la valeur des colonnes Amount et Quantity et multiplie chacune par deux :

SELECT [Forecasting].[Model Region],  
    PredictTimeSeries([Forecasting].[Quantity], 3, REPLACE_MODEL_CASES)   
FROM  
    [Forecasting]  
PREDICTION JOIN  
  OPENQUERY([Adventure Works DW Multidimensional 2012],  
    'SELECT [ModelRegion],   
    ([Quantity] * 2) as Quantity,  
    ([Amount] * 2) as Amount,  
      [ReportingDate]  
    FROM [dbo].vTimeSeries  
    WHERE ModelRegion = N''M200 Pacific''  
    ') AS t  
ON  
  [Forecasting].[Model Region] = t.[ Model Region] AND  
[Forecasting].[Reporting Date] = t.[ReportingDate] AND  
[Forecasting].[Quantity] = t.[Quantity] AND  
[Forecasting].[Amount] = t.[Amount]  

Les tableaux suivants comparent les résultats de la prédiction.

Prédictions d’origine :

Prédictions mises à jour :

Exemple 3 : ajout de nouvelles données et utilisation d'EXTEND_MODEL_CASES

L’exemple 3 illustre l’utilisation de l’option EXTEND_MODEL_CASES pour fournir de nouvelles données, qui sont ajoutées à la fin d’une série de données existante. Plutôt que de remplacer les points de données existants, les nouvelles données sont ajoutées au modèle.

Dans l'exemple suivant, les nouvelles données sont fournies dans l'instruction SELECT qui suit NATURAL PREDICTION JOIN. Vous pouvez fournir plusieurs lignes de nouvelle entrée avec cette syntaxe, mais chaque nouvelle ligne d'entrée doit avoir un horodatage unique :

SELECT [Model Region],  
    PredictTimeSeries([Forecasting].[Quantity], 5, EXTEND_MODEL_CASES)   
FROM  
    [Forecasting]  
NATURAL PREDICTION JOIN  
    (SELECT  
        1 as [Reporting Date],  
        10 as [Quantity],  
        'M200 Europe' AS [Model Region]  
    UNION SELECT   
        2 as [Reporting Date],  
        15 as [Quantity],  
        'M200 Europe' AS [Model Region]  
) AS T  
WHERE ([Model Region] = 'M200 Europe'  
 OR [Model Region] = 'M200 Pacific')  

Étant donné que la requête utilise l’option EXTEND_MODEL_CASES , Analysis Services effectue les actions suivantes pour ses prédictions :

• Augmente la taille totale des cas d'apprentissage en ajoutant les deux nouveaux mois de données au modèle.

• Démarre les prédictions à la fin des données de cas précédentes. Par conséquent, les deux premières prédictions représentent les nouveaux chiffres de ventes réels que vous venez d'ajouter au modèle.

• Retourne de nouvelles prédictions pour les trois tranches de temps restantes selon le modèle nouvellement développé.

Le tableau suivant répertorie les résultats de la requête de l'exemple 2. Remarquez que les deux premières valeurs retournées pour M200 Europe sont exactement les mêmes que les nouvelles valeurs que vous avez fournies. Ce comportement est inhérent à la conception ; si vous souhaitez démarrer des prédictions après la fin des nouvelles données, vous devez spécifier des étapes de début et de fin.

Notez également que vous n'avez pas fourni de nouvelles données pour la région Pacifique. Par conséquent, Analysis Services retourne de nouvelles prédictions pour les cinq tranches de temps.

Quantité : M200 Europe. EXTEND_MODEL_CASES :

Quantité : M200 Pacific. EXTEND_MODEL_CASES :

Exemple 4 : retour de statistiques dans une prédiction de série chronologique

La fonction PredictTimeSeries ne prend pas en charge INCLUDE_STATISTICS en tant que paramètre. Toutefois, la requête suivante peut être utilisée pour retourner les statistiques de prédiction pour une requête de série chronologique. Cette approche peut également être suivie avec des modèles qui ont des colonnes de tables imbriquées.

Dans ce modèle particulier, l’attribut prédictible est Quantity. Vous devez donc utiliser [Quantity] comme premier argument pour la fonction PredictTimeSeries. Si votre modèle utilise un autre attribut prédictible, vous pouvez substituer un nom de colonne différent.

SELECT FLATTENED [Model Region],  
(SELECT   
     $Time,  
     [Quantity] as [PREDICTION],   
     PredictVariance([Quantity]) AS [VARIANCE],  
     PredictStdev([Quantity]) AS [STDEV]  
FROM  
      PredictTimeSeries([Quantity], 3) AS t  
) AS t  
FROM Forecasting  
WHERE [Model Region] = 'M200 Europe'  
OR [Model Region] = 'M200 North America'  

Exemples de résultats :

Voir aussi

Informations de référence sur les fonctions DMX (Data Mining Extensions)
Exemples de requêtes de modèle de séries chronologiques
Prédire (DMX)