時系列の可視化で予測を構成する
時系列のビジュアル化が予測を表示するように構成されている場合は、そのビジュアル化の予測を構成できます。
始める前に
必要なロール:時系列のビジュアル化を作成できる任意のロール。インジケーター以外のデータソースの場合は、 パフォーマンスアナリティクス のサブスクリプションも必要です。
このタスクについて
データの可視化で予測を構成すると、インジケーターなどのデータソースに設定された予測構成が上書きされます。上書きは、特定のデータ可視化にのみ適用されます。
手順
予測方法
予測では、標準的な統計手法が使用されます。メソッドを選択することも、システムに自動選択させることもできます。
| メソッド | 説明 |
|---|---|
| リニア | 定数と傾向を説明変数として使用し、履歴スコアに基づいて線形回帰予測を生成します。 |
| 季節雇用 | 季節ダミーを説明変数として使用し、履歴スコアに基づいて線形回帰予測を生成します。 この分析の「季節」は 1 つの期間です。 |
| 季節傾向 | 季節性がありますが、説明変数として傾向が含まれています。 |
| Loess による季節傾向分解 (STL) | 最適な関数に基づいて季節予測を生成します。この方法は、指数関数的に重み付けされた移動平均アプローチを使用して、傾向、季節、およびランダムノイズプロセスをデータに適合させます。予測は完全なデータセットに基づいており、最近の観測結果ほど重み付けが高くなります この分析の「季節」は 1 つの期間です。 |
| ランダムフォレスト (RF) | 意思決定ツリーの組み合わせを作成し、これらのツリーによって生成された予測を平均して単一の予測を取得します。ランダム性は、利用可能なデータと入力のランダムなサブセットからビルドされた各ツリーに由来します。ランダムフォレスト手法の詳細については、この「Medium の記事」を参照してください。 |
| 自己回帰 (AR) | 自己回帰 (AR) モデルは、傾向、季節ダミー、および過去の値の線形結合を使用して、インジケーターの将来の値を予測します。ランダムフォレスト (RF) モデルと同様に、AR モデルは最適な遅延数をチェックします。ただし、AR モデルは現在と過去の値を直線的に関連付けますが、RF モデルは非線形です。 |
予測方法の自動選択
統計の専門家であれば、予測方法を手動で選択することができます。デフォルトでは、メソッドの適合性に基づいて、インスタンスによって最適なメソッドが自動的に選択されます。
最適な予測方法を決定するために、インスタンスでは各予測方法と履歴データを使用して予測を生成します。インスタンスは、予測する期間に基づいて、それらの予測を最新のデータと比較します。インスタンスは、予測を表示するたびにこの評価を実行します。したがって、追加のスコアを収集したり、予測期間を変更したりすると、使用される予測方法が変更される可能性があります。
日次頻度の パフォーマンスアナリティクス インジケーターの時系列チャート化を考えてみましょう。7 日間の期間を使用し、前の 2 つの期間に基づいて予測を行うように、ビジュアル化で予測を構成します。インスタンスは、2 週間以上経過した履歴データに各予測方法を適用します。次に、インスタンスはそれらの予測を最新の 2 週間分のデータと比較します。次に、直近 2 週間分のデータに最も近い予測が、データセット全体を使用して再計算されます。チャート化は、この最終計算の結果を示しています。
デフォルトの予測期間の長さ
予測期間には、データソースの頻度に依存するデフォルトの長さがあります。すべてのデータソースの頻度が同じではありません。
すべてのデータソースに共通のデフォルトの期間の長さ
| スコアの周期 | 期間あたりのデータポイント数 | 総期間長 |
|---|---|---|
| 日次 | 7 | 1 週間 |
| 週次 | 13 | 1 四半期 |
| 隔週 | 6 | 1 四半期 |
| 4 週間ごと | 13 | 1 年 |
| 月次 | 12 | 1 年 |
| 隔月 | 6 | 1 年 |
| 四半期ごと | 4 | 1 年 |
| 会計四半期ごと | 4 | 1 年 |
| 半年ごと | 2 | 1 年 |
| 年次 | 4 | 4 年 |
| 会計年度ごと | 4 | 4 年 |
に固有のデフォルトの期間の長さ メトリックベース
| スコアの周期 | 期間あたりのデータポイント数 | 総期間長 |
|---|---|---|
| 毎分 | 100 | 動的、クエリに応じてデータソースによって制御される |