시계열 데이터 시각화에서 예측 구성

  • 릴리스 버전: Australia
  • 업데이트 날짜 2026년 03월 12일
  • 소요 시간: 4분

    • 예측을 표시하도록 시계열 시각화가 구성된 경우 해당 시각화에 대한 예측을 구성할 수 있습니다.

    시작하기 전에

    이 절차에서는 테이블이 아닌 데이터 소스에 대한 시계열 시각화 를 생성했으며 해당 시각화에 대한 예측을 구성한다고 가정합니다.
    주:
    테이블 데이터의 시간 또는 요일 집계에 대해서는 지원이 제공되지 않습니다.

    필요한 역할: 시계열 시각화를 생성할 수 있는 모든 역할입니다. 비표시기 데이터 소스 퍼포먼스 분석 의 경우 구독도 필요합니다.

    이 태스크 정보

    데이터 시각화에 대한 예측을 구성하면 표시기와 같은 데이터 소스에 설정된 예측 구성을 재정의할 수 있습니다. 재정의는 특정 데이터 시각화에만 적용됩니다.

    프로시저

    1. 시계열 시각화의 구성 패널을 엽니다.
    2. 추가 설정에서 예측 표시를 활성화합니다.
      테이블 데이터 소스가 예측을 지원하지 않습니다.
    3. 예측 구성을 선택합니다.
      예측 구성 창이 열립니다.
    4. 다음 필드를 작성합니다.
      필드 설명
      예측 방법 시스템이 이 표시기의 값을 예측하는 데 사용하는 통계적 방법입니다. 기본값은 자동으로, 시스템이 데이터에 가장 적합한 방법을 선택한다는 의미입니다. 자세한 내용은 예측 방법 및 예측 방법 자동 선택 문서를 참조하십시오.
      기간 길이 시계열에서 패턴을 설정하는 데 필요한 데이터 요소의 수입니다.

      기본값 사용을 선택하면 기간 길이는 데이터 소스의 빈도에 따라 달라집니다. 예를 들어 일일 빈도가 있는 시계열의 기간 길이는 기본적으로 7개의 데이터 요소입니다. 자세한 내용은 기본 예측 기간 길이 문서를 참조하십시오.
      전망할 기간 수 점수를 예측할 미래의 데이터 기간 수입니다.
      예측 범위 하한 예측 점수의 가장 낮은 의미 있는 값입니다. 이 값보다 낮은 점수가 예측되면 이 값이 대신 표시됩니다.
      예측 범위 상한 예측 점수의 가장 중요한 값입니다. 이 값보다 높은 점수가 예측되는 경우 이 값이 대신 표시됩니다.
    5. 예측의 기반이 될 데이터를 선택합니다.
      옵션설명
      시각화 날짜 범위 시각화의 날짜 범위 내의 모든 데이터
      이전 기간 예측의 기반이 되는 현재 이전의 데이터 기간 수입니다. 이러한 데이터 기간은 기간 길이의 기간과 같습니다.

      이전 기간을 선택하는 경우 고려할 기간 수 필드에 기간 수도 지정합니다.
      특정 시작 날짜 시작 날짜 이후에 수집된 모든 점수입니다. 특정 시작 날짜를 선택하는 경우 시작 날짜도 지정합니다.
      경고:
      예측을 생성할 데이터 요소가 충분하지 않으면 예측이나 메시지 등 아무것도 표시되지 않습니다.

    예측 방법

    예측은 표준 통계적 방법을 사용합니다. 방법을 선택하거나 시스템에서 자동으로 선택하도록 할 수 있습니다.

    방법 설명
    선형 상수와 추세를 설명 변수로 사용하여 과거 점수를 기반으로 선형 회귀 예측을 생성합니다.
    계절적 계절 더미를 설명 변수로 사용하여 과거 점수를 기반으로 선형 회귀 예측을 생성합니다.

    이 분석의 '시즌'은 한 기간입니다.
    계절 추세 계절적이지만 설명 변수로 추세를 포함합니다.
    STL(계절 추세 황토) 최적 함수를 기반으로 계절 예측을 생성합니다. 이 방법은 지수 가중 이동 평균 접근 방식을 사용하여 추세, 계절 및 랜덤 노이즈 프로세스를 데이터에 맞춥니다. 예측은 전체 데이터 세트를 기반으로 하며 최근 관측치에 더 많은 가중치가 부여됩니다

    이 분석의 '시즌'은 한 기간입니다.
    RF(임의 포리스트) 이러한 트리에서 생성된 예측을 평균화하여 단일 예측을 얻는 결정 트리의 조합을 생성합니다. 무작위성은 사용 가능한 데이터 및 입력의 임의의 하위 집합에서 구축되는 각 트리에서 비롯됩니다. 랜덤 포리스트 방법에 대한 자세한 내용은 이 Medium 문서를 참조하세요.
    AR(자동회귀) AR(자동회귀) 모델은 추세, 계절 더미 및 과거 값의 선형 조합을 사용하여 표시기의 미래 값을 예측합니다. RF(Random Forest) 모델과 마찬가지로 AR 모델은 최상의 지연 수를 확인합니다. 그러나 AR 모델은 현재 값을 과거 값과 선형적으로 관련시키는 반면 RF 모델은 비선형입니다.

    예측 방법 자동 선택

    통계 전문가인 경우 예측 방법을 수동으로 선택할 수 있습니다. 기본적으로 인스턴스는 방법의 적합성에 따라 최적의 방법을 자동으로 선택합니다.

    가장 적합한 예측 방법을 결정하기 위해 인스턴스는 기록 데이터와 함께 각 예측 방법을 사용하여 예측을 생성합니다. 그런 다음 인스턴스는 예측하려는 정도에 따라 이러한 예측을 최신 데이터와 비교합니다. 인스턴스는 예측을 표시할 때마다 이 평가를 수행합니다. 따라서 추가 점수를 수집하거나 예측 기간을 변경하면 사용되는 예측 방법이 바뀔 수 있습니다.

    일일 빈도가 있는 표시기의 시계열 시각화를 퍼포먼스 분석 생각해 보십시오. 시각화에 대한 예측을 구성하여 7일의 기간 길이를 사용하고 이전 두 기간에 대한 예측을 기반으로 합니다. 인스턴스는 2주보다 오래된 기록 데이터에 각 예측 방법을 적용합니다. 그런 다음 인스턴스는 이러한 예측을 최근 2주간의 데이터와 비교합니다. 그런 다음 최근 2주간의 데이터에 가장 근접한 예측이 전체 데이터 세트를 사용하여 다시 계산됩니다. 시각화는 이 최종 계산의 결과를 보여줍니다.

    기본 예측 기간 길이

    예측 기간의 기본 길이는 데이터 소스의 빈도에 따라 달라집니다. 모든 데이터 소스의 빈도가 동일한 것은 아닙니다.

    모든 데이터 소스에 공통되는 기본 기간 길이

    점수 빈도 기간당 데이터 요소 수 총 기간 길이
    매일 7 1주
    주별 13 1분기
    격주 6 1분기
    4주 13 1년
    매월 12 1년
    격월 6 1년
    분기별 4 1년
    회계 분기별 4 1년
    반년 단위 2 1년
    매년 4 4년
    회계 연도별 4 4년

    에 고유 기본 기간 길이 MetricBase

    점수 빈도 기간당 데이터 요소 수 총 기간 길이
    분 단위 100 동적이며 쿼리에 따라 데이터 소스에 의해 제어됨