---
sourceDocument: Capacidades da Now Platform da Yokohama
sourceDocumentLink: https://servicenow-prod.fluidtopics.net/r/pt-BR/yokohama/servicenow-platform

 Release :

    - yokohama

ft:locale :

    - pt-BR

ft:publication_title :

    - Capacidades da Now Platform da Yokohama

ft:clusterId :

    - platcap

bundleId :

    - platcap

workflow :

    - Platform


---

# Detecção de anomalias em dados do MetricBase usando modelos preditivos

# Detecção de anomalias em dados do MetricBase usando modelos preditivos {#ariaid-title1}

* Versão de lançamento: Yokohama
* 
* Atualizado 30 de jan. de 2025
* 
* ![](https://www.servicenow.com/docs/portal-asset/ico-clock) 1 min. de leitura

O MetricBase cria um modelo treinando uma amostra representativa dos dados de série temporal para determinar os parâmetros do modelo. O processo de treinamento determina os parâmetros do modelo que melhor se adaptam aos seus dados para distinguir os dados normais dos dados anômalos.

O MetricBase é compatível com os seguintes tipos de modelo:

* Média móvel exponencial probabilística (PEWMA), um algoritmo de média móvel que usa um fator de probabilidade para determinar como ele reage à mudança nos dados
* Média móvel integrada autorregressiva (ARIMA), um algoritmo de média móvel que leva em consideração erros e valores anteriores
* Decomposição de tendência sazonal usando Loess (STL), um algoritmo sazonal para decompor dados de série temporal em componentes sazonais e de tendência
* Holt-Winters (HW), um algoritmo sazonal que decompõe a tendência e os componentes sazonais para determinar o nível

{#metricbase-predictive-models__ul_bdc_yt2_qjb}  
Nota:  
MetricBase seleciona o tipo de modelo mais apropriado quando você seleciona Find Best Fit Model na lista de classes de modelos.

Depois de treinar um modelo a partir de seus dados, você poderá acionar fluxos quando os novos dados forem significativamente diferentes dos dados treinados.