Contenuto dei modelli di data mining per i modelli Time Series (Analysis Services - Data mining)

Informazioni sulla struttura di un modello Time Series

Un modello Time Series include un singolo nodo padre che rappresenta il modello e i relativi metadati. Sotto il nodo padre sono presenti uno o due alberi Time Series, a seconda dell'algoritmo utilizzato per creare il modello.

Se si crea un modello misto, vengono aggiunti due alberi separati al modello, uno per ARIMA e uno per ARTxp. Se si sceglie di utilizzare solo l'algoritmo ARTxp o solo l'algoritmo ARIMA, sarà disponibile un solo albero corrispondente all'algoritmo. È possibile specificare l'algoritmo da utilizzare impostando il parametro FORECAST_METHOD. Per ulteriori informazioni sull'opportunità di utilizzare ARTxp, ARIMA o un modello misto, vedere Algoritmo Microsoft Time Series.

Nel diagramma viene visualizzato un esempio di un modello di data mining Time Series creato con le impostazioni predefinite, per la creazione di un modello misto. Per consentire di confrontare con maggiore semplicità le differenze tra i due modelli, il modello ARTxp è mostrato sul lato sinistro del diagramma, mentre il modello ARIMA è mostrato sul lato destro. Mentre la struttura di ARTxp è simile a un albero che si divide in rami sempre più piccoli, la struttura creata dall'algoritmo ARIMA è più simile a una piramide costruita verso l'alto dai componenti più piccoli.

Se si visualizza un modello misto utilizzando Microsoft Generic Content Tree Viewer, i nodi dei modelli ARTxp e ARIMA sono presentati come nodi figlio del modello Time Series padre. Nella visualizzazione generica di un modello misto, il primo set di nodi viene identificato come (Tutto) e rappresenta i risultati dell'analisi da parte dell'algoritmo ARTxp. Il secondo set di nodi viene identificato come ARIMA e rappresenta i risultati dell'analisi da parte dell'algoritmo ARIMA.

L'aspetto importante da ricordare è che le informazioni sono disposte all'interno degli alberi ARIMA e ARTxp in modi completamente diversi ed è necessario considerare i due alberi correlati solo a livello del nodo radice. Anche se le due rappresentazioni vengono sono presentate in un solo modello per convenienza, devono essere considerate come due modelli indipendenti. ARTxp rappresenta un albero effettivo, diversamente da ARIMA.

Struttura del modello ARTxp

Struttura del modello ARIMA

Contenuto di un modello Time Series

In questa sezione vengono forniti dettagli ed esempi specifici delle colonne del contenuto del modello di data mining particolarmente importanti per i modelli Time Series.

Per informazioni sulle colonne generiche nel set di righe dello schema, ad esempio MODEL_CATALOG e MODEL_NAME, o per spiegazioni della terminologia dei modelli di data mining, vedere Contenuto del modello di data mining (Analysis Services - Data mining).

• MODEL_CATALOG
  Nome del database in cui è archiviato il modello.

• MODEL_NAME
  Nome del modello.

• ATTRIBUTE_NAME
  Attributo stimabile della serie di dati rappresentata nel nodo. Stesso valore di MSOLAP_MODEL_COLUMN.

• NODE_NAME
  Nome del nodo. Attualmente, questa colonna contiene lo stesso valore di NODE_UNIQUE_NAME, anche se nelle versioni future il valore potrebbe essere diverso.

• NODE_UNIQUE_NAME
  Nome univoco del nodo. Il nodo padre del modello è sempre denominato TS.

  ARTxp: ogni nodo è rappresentato da TS seguito da un valore numerico esadecimale. Ad esempio, i nodi ARTxp direttamente sotto l'albero TS potrebbero essere numerati come segue: TS00000001-TS0000000b. L'ordine dei nodi non è importante.

  ARIMA: ogni nodo in un albero ARIMA è rappresentato da TA seguito da un valore numerico esadecimale. I nodi figlio contengono il nome univoco del nodo padre seguito da un altro numero esadecimale che indica la sequenza all'interno del nodo.

  Tutti gli alberi ARIMA sono strutturati allo stesso modo. Ogni radice contiene i nodi e la convenzione di denominazione indicati nella tabella seguente:

  ID e tipo di nodo ARIMA	Esempio di nome di nodo
  Radice ARIMA (27)	TA0000000b
  Struttura periodica ARIMA (28)	TA0000000b00000000
  Autoregressione ARIMA (29)	TA0000000b000000000
  Media mobile ARIMA (30)	TA0000000b000000001

• NODE_TYPE
  Un modello Time Series restituisce i tipi di nodo seguenti, a seconda dell'algoritmo.

  ARTxp:

  ID tipo di nodo	Descrizione
  1 (Modello)	Time Series
  3 (Interno)	Rappresenta un ramo interno all'interno di un albero Time Series ARTxp.
  16 (Albero Time Series)	Radice dell'albero ARTxp che corrisponde a un attributo e una serie stimabili.
  15 (Time Series)	Nodo foglia nell'albero ARTxp.

  ARIMA:

  ID tipo di nodo	Descrizione
  27 (Radice ARIMA)	Nodo principale di un albero ARIMA.
  28 (Struttura periodica ARIMA)	Componente di un albero ARIMA che descrive una singola struttura periodica.
  29 (Autoregressivo ARIMA)	Contiene un coefficiente per una singola struttura periodica.
  30 (Media mobile ARIMA)	Contiene un coefficiente per una singola struttura periodica.

• NODE_CAPTION
  Etichetta o didascalia associata al nodo. La proprietà viene utilizzata soprattutto a scopo di visualizzazione.

  ARTxp: contiene la condizione di divisione del nodo, visualizzata come una combinazione di attributo e intervallo di valori.

  ARIMA: contiene la forma abbreviata dell'equazione ARIMA.

  Per informazioni sul formato dell'equazione ARIMA, vedere Legenda data mining per ARIMA.

• CHILDREN_CARDINALITY
  Numero di elementi figlio diretti del nodo.

• PARENT_UNIQUE_NAME
  Nome univoco dell'elemento padre del nodo. Per tutti i nodi a livello di radice viene restituito NULL.

• NODE_DESCRIPTION
  Descrizione in formato testo delle regole, delle divisioni o delle formule nel nodo corrente.

  ARTxp: Per ulteriori informazioni, vedere Informazioni sull'albero ARTxp.

  ARIMA: Per ulteriori informazioni, vedere Informazioni sull'albero ARIMA.

• NODE_RULE
  Descrizione XML delle regole, delle divisioni o delle formule nel nodo corrente.

  ARTxp: NODE_RULE corrisponde in genera a NODE_CAPTION.

  ARIMA: Per ulteriori informazioni, vedere Informazioni sull'albero ARIMA.

• MARGINAL_RULE
  Descrizione XML della divisione o del contenuto specifico del nodo.

  ARTxp: MARGINAL_RULE corrisponde in genere a NODE_DESCRIPTION.

  ARIMA: sempre vuoto; utilizzare invece NODE_RULE.

• NODE_PROBABILITY
  ARTxp: per i nodi dell'albero, sempre 1. Per i nodi foglia, la probabilità di raggiungere il nodo dal nodo radice del modello.

  ARIMA: sempre 0.

• MARGINAL_PROBABILITY
  ARTxp: per i nodi dell'albero, sempre 1. Per i nodi foglia, la probabilità di raggiungere il nodo dal nodo padre diretto.

  ARIMA: Sempre 0.

• NODE_DISTRIBUTION
  Tabella contenente l'istogramma delle probabilità del nodo. In un modello Time Series, questa tabella nidificata contiene tutti i componenti richiesti per assemblare la formula di regressione effettiva.

  Per ulteriori informazioni sulla tabella NODE_DISTRIBUTION in un albero ARTxp, vedere Informazioni sull'albero ARTxp.

  Per ulteriori informazioni sulla tabella NODE_DISTRIBUTION in un albero ARIMA, vedere Informazioni sull'albero ARIMA.

  Per visualizzare tutte le costanti e altri componenti composti in un formato leggibile, utilizzare il Visualizzatore Microsoft Time Series,fare clic sul nodo e aprire la Legenda data mining..

• NODE_SUPPORT
  Numero di case che supportano il nodo.

  ARTxp: Per il nodo (Tutto), indica il numero totale di intervalli di tempo inclusi nel ramo. Nei nodi finali, indica il numero di intervalli di tempo inclusi nell'intervallo descritto da NODE_CAPTION. Il numero di intervalli di tempo nei nodi finali viene sempre sommato al valore NODE_SUPPORT del nodo (Tutto) del ramo.

  ARIMA: conteggio dei case che supportano la struttura periodica corrente. Il valore del supporto viene ripetuto in tutti i nodi della struttura periodica corrente.

• MSOLAP_MODEL_COLUMN
  Attributo stimabile della serie di dati rappresentata nel nodo. Stesso valore di ATTRIBUTE_NAME.

• MSOLAP_NODE_SCORE
  Valore numerico che caratterizza il valore delle informazioni dell'albero o della divisione.

  ARTxp: il valore è sempre 0,0 per i nodi senza divisione. Per i nodi che contengono una divisione, rappresenta il punteggio di interesse della divisione.

  Per ulteriori informazioni sui metodi di punteggio, vedere Funzionalità di selezione degli attributi nel data mining.

  ARIMA: punteggio BIC (Bayesian Information Criterion) del modello ARIMA. Lo stesso punteggio viene impostato su tutti i nodi ARIMA correlati all'equazione.

• MSOLAP_NODE_SHORT_CAPTION
  ARTxp: stesse informazioni di NODE_DESCRIPTION.

  ARIMA: stesse informazioni di NODE_CAPTION, ovvero la forma abbreviata dell'equazione ARIMA.

Informazioni sull'albero ARTxp

Il modello ARTxp separa chiaramente le aree dei dati lineari dalle aree dei dati divisi in altri fattori. Dove le modifiche nell'attributo stimabile possono essere rappresentate direttamente come una funzione delle variabili indipendenti, viene calcolata una formula di regressione per rappresentare la relazione. Ad esempio, se è presente una correlazione diretta tra periodo di tempo e vendite per la maggior parte della serie di dati, ciascuna serie è compresa all'interno di un albero Time Series (NODE_TYPE = 16) che non dispone di nodi figlio per ciascuna serie di dati, ma solo un'equazione di regressione. Tuttavia, se la relazione non è lineare, un albero Time Series ARTxp consente di dividere in base alle condizioni in nodi figlio, come un modello di albero delle decisioni. Visualizzando il contenuto del modello nel Microsoft Generic Content Tree Viewer , è possibile osservare le divisioni e il modo in cui influiscono sulla linea di tendenza.

Ad esempio, rivedere il modello Time Series creato nell'Esercitazione di base sul data mining. Questo modello, preso da Adventure Works, non è basato su dati complessi. Pertanto, l'albero ARTxp non presenta molte divisioni. Tuttavia, anche questo modello relativamente semplice presenta tre tipi diversi di divisioni:

• La linea di tendenza Amount per l'area Pacifico si divide sulla chiave temporale. Una divisione sulla chiave temporale indica una modifica nella tendenza in un determinato momento. La linea di tendenza è lineare solo fino a un certo punto, quindi la curva assume una forma diversa. Ad esempio, una serie temporale continua fino al 6 agosto 2002 e un'altra comincia dopo tale data.

• La linea di tendenza Amount per l'area relativa al Nord America si divide in un'altra variabile. In questo caso, la tendenza per il Nord America si divide in base al valore dello stesso modello nell'area dell'Europa. In altre parole, l'algoritmo rileva che quando il valore dell'area dell'Europa viene modificato, anche il valore dell'area del Nord America A viene modificato.

• La linea di tendenza dell'area dell'Europa si divide in base a se stessa.

Significato di ciascuna divisione L'interpretazione delle informazioni fornite dal contenuto del modello richiede una conoscenza approfondita dei dati e del relativo significato nel contesto aziendale.

L'apparente collegamento tra le tendenze nelle aree del Nord America e dell'Europa potrebbe significare semplicemente che la serie di dati dell'Europa dispone di maggiore entropia, facendo apparire più debole la tendenza dell'area del Nord America. Oppure, potrebbe non esserci una differenza significativa nel punteggio delle due aree e la correlazione potrebbe essere accidentale, basata semplicemente sul fatto che il calcolo dell'area dell'Europa è avvenuto prima del calcolo dell'area del Nord America. È tuttavia possibile rivedere i dati per verificare se la correlazione è false oppure determinare l'eventuale coinvolgimento di altri fattori.

La divisione sulla chiave temporale indica una modifica statisticamente significativa nel gradiente della linea. Ciò potrebbe essere causato da fattori matematici, quali il supporto di ciascun intervallo o i calcoli di entropia richiesti dalla divisione. Pertanto, la divisione potrebbe non essere importante per il significato del modello nel mondo reale. Tuttavia, quando si rivede il periodo di tempo indicato nella divisione, si potrebbero trovare correlazioni interessanti non rappresentate nei dati, come promozioni di vendite o altri eventi che iniziano in quel periodo e che possono aver influito sui dati.

Se i dati contengono altri attributi, è probabile che si verifichino esempi interessanti di diramazioni nell'albero. Ad esempio, se informazioni meteo sono state rilevate e utilizzate come attributo per l'analisi, nell'albero potrebbero essere visualizzate più divisioni che rappresentano l'interazione complessa tra vendite e previsioni del tempo.

In breve, il data mining è utile per fornire suggerimenti sul punto in cui si verificano fenomeni potenzialmente interessanti, ma sono necessarie l'analisi e l'esperienza da parte degli utenti aziendali per interpretare accuratamente il valore delle informazioni nel contesto.

Elementi della formula Time Series ARTxp

Utilizzo della formula Time Series ARTxp

SELECT MODEL_NAME, ATTRIBUTE_NAME, NODE_NAME,
NODE_CAPTION, 
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE, [VARIANCE], VALUETYPE
FROM NODE_DISTRIBUTION) as t
FROM Forecasting.CONTENT
WHERE NODE_TYPE = 15

Informazioni sull'albero ARIMA

Ogni struttura di un modello ARIMA corrisponde a una periodicità o a una struttura periodica. Una struttura periodica è uno schema di dati ripetuto in tutta la serie di dati. Sono consentite variazioni secondarie entro limiti statistici. La periodicità viene misurata secondo le unità di tempo predefinite utilizzate nei dati di training. Ad esempio, se i dati di training forniscono dati di vendita per ogni giorno, l'unità di tempo predefinita è un giorno e tutte le strutture periodiche vengono definite come un numero specifico di giorni.

Ogni periodo rilevato dall'algoritmo ottiene il proprio nodo della struttura. Ad esempio, se si analizzano i dati di vendita giornalieri, potrebbero essere rilevate strutture periodiche che rappresentano le settimane. In questo caso, verranno create due strutture periodiche nel modello finito: una per il periodo giornaliero predefinito, indicata come {1}, e una per le settimane, indicata da {7}.

Ad esempio, nella query seguente vengono restituite tutte le strutture ARIMA da un modello di data mining.

SELECT MODEL_NAME, ATTRIBUTE_NAME, NODE_NAME, NODE_CAPTION
FROM Forecasting.CONTENT
WHERE NODE_TYPE = 27

Risultati dell'esempio:

Da questi risultati, esplorabili anche attraverso il Microsoft Generic Content Tree Viewer (Progettazione modelli di data mining), è possibile stabilire immediatamente quali serie sono completamente lineari, quali dispongono di più strutture periodiche e quali sono le relative periodicità individuate.

Ad esempio, la forma abbreviata dell'equazione ARIMA per la serie M200 Europa indica che è stato rilevato solo il ciclo predefinito o giornaliero. La forma abbreviata dell'equazione viene fornita nella colonna NODE_CAPTION.

Tuttavia, nella serie M200 North America è stata rilevata una struttura periodica aggiuntiva. Il nodo TA00000001 dispone di due nodi figlio, uno con l'equazione (1,0,4), l'altro con l'equazione (1,1,4)(6). Tali equazioni sono concatenate e presentate nel nodo padre.

Per ogni struttura periodica, il contenuto del modello fornisce anche l' ordine e la media mobile come nodi figlio. Ad esempio, la query seguente consente di recuperare i nodi figlio di uno dei nodi elencati nell'esempio precedente. È necessario includere la colonna PARENT_UNIQUE_NAME tra parentesi quadre per distinguerla dalla parola chiave riservata con lo stesso nome.

SELECT * 
FROM Forecasting.CONTENT
WHERE [PARENT_UNIQUE_NAME] = ' TA00000001'

Poiché si tratta di un albero ARIMA, non ARTxp, non è possibile utilizzare la funzione IsDescendant (DMX) per restituire i nodi che rappresentano il nodo figlio di questa struttura periodica. È possibile invece utilizzare i tipi di nodo e di attributo per filtrare i risultati e ottenere i nodi figlio che forniscono ulteriori dettagli su come è stata generata l'equazione, inclusi le medie mobili e l'ordine delle differenze.

SELECT MODEL_NAME, ATTRIBUTE_NAME, NODE_UNIQUE_NAME,
NODE_TYPE,  NODE_CAPTION
FROM Forecasting.CONTENT
WHERE [MSOLAP_MODEL_COLUMN] ='M200 North America:Quantity'
AND (NODE_TYPE = 29 or NODE_TYPE = 30)

Risultati dell'esempio:

In questi esempi viene illustrato che ogni ulteriore drill-down dell'albero ARIMA consente di rivelare maggiori dettagli, ma le informazioni importanti sono combinate e vengono presentate anche nel nodo padre.

Formula Time Series per ARIMA

Utilizzo delle informazioni dell'albero ARIMA

Osservazioni

Il recupero di informazioni da un albero ARTxp potrebbe risultare difficile, poiché le informazioni di ciascuna divisione si trovano in un punto diverso dell'albero. Pertanto, con un modello ARTxp è necessario ottenere tutte le parti, quindi procedere alla ricostruzione della formula completa. Il recupero di un'equazione da un modello ARIMA è più facile, poiché la formula è stata resa disponibile in tutto l'albero. Per ulteriori informazioni sulla creazione di una query per recuperare le informazioni, vedere Esecuzione di una query su un modello Time Series (Analysis Services - Data mining).

Vedere anche

Riferimento

Concetti