MS时序分析算法

最新推荐文章于 2024-08-17 18:55:37 发布

soldierluo

最新推荐文章于 2024-08-17 18:55:37 发布

阅读量3.3k

点赞数

分类专栏： MSBI-DM 文章标签：算法

本文链接：https://blog.csdn.net/soldierluo/article/details/74839563

版权

本文介绍了MS时序分析算法在预测连续值，如销售额时的应用。算法关键参数包括Periodicity_hint和Missing_Value_Substitution。Periodicity_hint用于设定数据模式的重复频率，Missing_Value_Substitution用于处理历史数据中的缺失值。时序模型需要单个键时间列、可预测列（连续值）和可选序列键列。通过创建视图和设置合适的参数，可以建立时序分析模型，用于预测店铺销售额。然而，模型可能因店铺销售数据不完整而需要调整Periodicity Hint和处理缺失值策略。

摘要由CSDN通过智能技术生成

MS时序分析算法

它是针对连续值（如时间段内的销售额）进行预测的算法（其中包含多种优化后的算法）
时序算法的输入输出为同一列
时序模型中的重要算法参数
3.1. Periodicity_hint：该参数提供了有关数据模式重复频率的算法信息（以数据的时序的最小单位为基准，经过N个单位重复一次就设置为{n}，如：以日为基准，周为循环的话就是{7}，以月为循环就是{31}，以周月为循环就是{7,31}，以此类推）
3.2. Missing_Value_Substitution：填充历史数据中的确实，因为时序算法要求时序不能中断
时序分析模型提供了每一个序列类型根据数据内容形成决策树，推测每一个序列随着时间轴的进展所影响该序列的因素值
时序模型所需数据
5.1. 单个键时间列：必须唯一且连续
5.2. 可预测列：至少有一个可预测列，且必须为连续值
5.3. 可选序列键列：每个模型可包含一个可选的附加键列，就是可与时间列组成复合主键的列（如：产品、店铺等等，每个时间点每个产品只能出现一次）
时序分析模型的建立
6.1. 创建时序分析模型挖掘结构视图，参考如下，这里包含了日期、店铺名、销售额
CREATE view [dbo].[v_DM_timeSeries]
as
select d.fullDate, s.storeName, sum(st.payAmount) saleAmount
from [dbo].[FactSaleDocTender] st
j