apa itu komponen algoritma x13_arima - Platform For AI

x13_arima adalah algoritma yang digunakan untuk analisis deret waktu, dirancang khusus untuk penyesuaian data musiman. Algoritma ini didasarkan pada paket open-source X-13ARIMA-SEATS dan menggabungkan pemodelan ARIMA dengan teknik penyesuaian musiman untuk meningkatkan akurasi prediksi serta efektivitas analisis data.

Informasi latar belakang

ARIMA diperkenalkan dalam metode Box-Jenkins oleh Box dan Jenkins pada awal 1970-an untuk peramalan deret waktu. Model ARIMA juga dikenal sebagai model Box-Jenkins.

Deskripsi Algoritma:

Skala yang Didukung
- Baris: maksimum 1.200 catatan data dalam satu kelompok
- Kolom: satu kolom numerik
Metode Perhitungan Sumber Daya
- Metode perhitungan default jika parameter groupColNames tidak ditentukan:
```
coreNum=1
memSizePerCore=4096
```
- Metode perhitungan default jika parameter groupColNames ditentukan:
```
coreNum = floor(Jumlah total baris/120.000)
memSizePerCore=4096
```

Konfigurasikan komponen

Anda dapat menggunakan salah satu dari metode berikut untuk mengonfigurasi komponen x13_arima:

Metode 1: Konfigurasikan komponen di konsol PAI

Anda dapat mengonfigurasi parameter komponen x13_arima di halaman pipeline Machine Learning Designer. Tabel berikut menjelaskan parameter-parameter tersebut.

Tab	Parameter	Deskripsi
Fields Setting	Time Series Column	Wajib. Parameter ini hanya digunakan untuk mengurutkan nilai dalam kolom numerik.
	Value Column	Wajib.
	Stratification Column	Opsional. Anda dapat memisahkan beberapa kolom dengan koma (,), seperti col0,col1. Deret waktu dibuat untuk setiap grup.
Parameters Setting	Format	Format yang didukung adalah p,d,q. p, d, dan q adalah bilangan bulat non-negatif dalam rentang [0,36]. p: koefisien autoregresif d: selisih q: koefisien regresi bergerak
	Start Date	Format yang didukung adalah tahun.musim. Contoh: 1986.1.
	Series Frequency	Nilainya harus bilangan bulat positif dalam rentang [1,12].
	Format	Format yang didukung adalah sp,sd,sq. sp, sd, dan sq adalah bilangan bulat non-negatif dalam rentang [0,36]. sp: koefisien autoregresif musiman sd: selisih musiman sq: koefisien regresi bergerak musiman
	Seasonal Cycle	Nilainya harus angka dalam rentang (0,12]. Nilai default: 12.
	Prediction Entries	Nilainya harus bilangan bulat positif dalam rentang (0,120]. Nilai default: 12.
	Prediction Confidence Level	Nilainya harus angka dalam rentang (0,1). Nilai default: 0,95.
Tuning	Cores	Jumlah inti. Secara default, sistem menentukan nilainya.
Tuning	Memory	Ukuran memori per inti. Unit: MB.

Metode 2: Konfigurasikan komponen dengan menggunakan perintah PAI

Anda dapat menggunakan skrip SQL untuk memanggil perintah PAI. Untuk informasi lebih lanjut, lihat SQL Script.

PAI -name x13_arima
    -project algo_public
    -DinputTableName=pai_ft_x13_arima_input
    -DseqColName=id
    -DvalueColName=number
    -Dorder=3,1,1
    -Dstart=1949.1
    -Dfrequency=12
    -Dseasonal=0,1,1
    -Dperiod=12
    -DpredictStep=12
    -DoutputPredictTableName=pai_ft_x13_arima_out_predict
    -DoutputDetailTableName=pai_ft_x13_arima_out_detail

Parameter	Wajib	Deskripsi	Nilai default
inputTableName	Ya	Nama tabel input.	Tidak tersedia
inputTablePartitions	Tidak	Kolom fitur yang dipilih dari tabel input untuk pelatihan.	Tabel lengkap
seqColName	Ya	Kolom deret waktu. Parameter ini hanya digunakan untuk mengurutkan nilai dalam kolom valueColName.	Tidak tersedia
valueColName	Ya	Kolom numerik.	Tidak tersedia
groupColNames	Tidak	Kolom pengelompokan. Anda dapat memisahkan beberapa kolom dengan koma (,). Contoh: col0,col1. Deret waktu dibuat untuk setiap grup.	Tidak tersedia
order	Ya	p menunjukkan koefisien autoregresif. d menunjukkan selisih. q menunjukkan koefisien regresi bergerak. Nilainya harus bilangan bulat non-negatif dalam rentang [0,36].	Tidak tersedia
start	Tidak	Tanggal mulai deret waktu. Nilainya harus string dalam format tahun.musim, seperti 1986.1. Untuk informasi lebih lanjut, lihat Format deret waktu.	1.1
frequency	Tidak	Frekuensi deret waktu. Nilainya harus bilangan bulat positif dalam rentang (0,12]. Untuk informasi lebih lanjut, lihat Format deret waktu.	12 Catatan Nilai 12 menunjukkan 12 bulan per tahun.
seasonal	Tidak	sp menunjukkan koefisien autoregresif musiman. sd menunjukkan selisih musiman. sq menunjukkan koefisien regresi bergerak musiman. Nilainya harus bilangan bulat non-negatif dalam rentang [0,36].	Bukan musiman
period	Tidak	Siklus musiman. Nilainya harus angka dalam rentang (0,100].	frekuensi
maxiter	Tidak	Jumlah maksimum iterasi. Nilainya harus bilangan bulat positif.	1500
tol	Tidak	Toleransi. Nilainya bertipe DOUBLE.	1e-5
predictStep	Tidak	Jumlah entri prediksi. Nilainya harus bilangan bulat positif dalam rentang (0,365].	12
confidenceLevel	Tidak	Tingkat kepercayaan. Nilainya harus angka dalam rentang (0,1).	0,95
outputPredictTableName	Ya	Tabel output prediksi.	Tidak tersedia
outputDetailTableName	Ya	Tabel detail.	Tidak tersedia
outputTablePartition	Tidak	Menentukan apakah akan mengekspor data ke partisi.	Tidak mengekspor data ke partisi
coreNum	Tidak	Jumlah inti. Nilainya harus bilangan bulat positif. Parameter ini digunakan bersama dengan memSizePerCore.	Ditentukan oleh sistem
memSizePerCore	Tidak	Ukuran memori setiap inti. Unit: MB. Nilainya harus bilangan bulat positif dalam rentang [1024,64 × 1024].	Ditentukan oleh sistem
lifecycle	Tidak	Lifecycle tabel output.	Tidak tersedia

Format deret waktu

Parameter start dan frequency menentukan dimensi waktu ts1 dan ts2 untuk kolom numerik.

Parameter frequency menentukan frekuensi data dalam periode unit, yaitu frekuensi ts2 dalam setiap ts1.
Nilai parameter start dalam format n1.n2. Ini menunjukkan bahwa tanggal mulai adalah n2 ts2 dalam n1 ts1.

Unit Waktu	ts1	ts2	frequency	start
12 bulan/tahun	Tahun	Bulan	12	1949.2 menunjukkan bulan kedua tahun 1949.
4 kuartal/tahun	Tahun	Kuartal	4	1949.2 menunjukkan kuartalkedua tahun 1949.
7 hari/minggu	Minggu	Hari	7	1949.2 menunjukkan hari kedua pada minggu ke-1949.
1	Semua unit waktu	1	1	1949.1 menunjukkan tahun 1949, atau hari ke-1949 atau jam ke-1949.

Contoh: value=[1,2,3,5,6,7,8,9,10,11,12,13,14,15]

menunjukkan bahwa unit waktu adalah 12 bulan per tahun, dan prediksi dimulai dari Juni tahun 1950.
Tahun
Jan
Feb
Mar
Apr
Mei
Jun
Jul
Agu
Sep
Okt
1949
1
2
3
4
5
6
7
8
9
10
1950
11
12
13
14
15
menunjukkan bahwa unit waktu adalah empat kuartal per tahun, dan prediksi dimulai dari kuartal kedua tahun 1953.
Tahun
Qtr1
Qtr2
Qtr3
Qtr4
1949
1
2
1950
3
4
5
6
1951
7
8
9
10
1952
11
12
13
14
1953
14
15
menunjukkan bahwa unit waktu adalah tujuh hari per minggu, dan prediksi dimulai dari hari keempat pada minggu ke-1951.
Minggu
Sun
Sen
Sel
Rab
Kam
Jum
Sat
1949
1
2
3
4
5
1950
6
7
8
9
10
11
12
1951
13
14
15
menunjukkan bahwa prediksi dimulai pada tahun 1963.00.
Siklus
p1
1949
1
1950
2
1951
3
1952
4
1953
5
1954
6
1955
7
1956
8
1957
9
1958
10
1959
11
1960
12
1961
13
1962
14
1963
15

Contoh

Siapkan data uji

Contoh ini menggunakan dataset AirPassengers.csv, yang mencatat jumlah penumpang penerbangan internasional setiap bulan dari tahun 1949 hingga tahun 1960. Untuk informasi lebih lanjut tentang dataset, lihat AirPassengers.

id	number
1	112
2	118
3	132
4	129
5	121
...	...

Jalankan perintah Tunnel berikut di klien MaxCompute untuk mengunggah data. Untuk informasi tentang cara menginstal dan mengonfigurasi klien MaxCompute, lihat Klien MaxCompute (odpscmd). Untuk informasi lebih lanjut tentang perintah Tunnel, lihat Perintah Tunnel.

create table pai_ft_x13_arima_input(id bigint,number bigint);
tunnel upload xxxx/airpassengers.csv pai_ft_x13_arima_input -h true;

Jalankan perintah PAI

Anda dapat menggunakan SQL script atau komponen ODPS SQL untuk menjalankan perintah PAI berikut:

PAI -name x13_arima
    -project algo_public
    -DinputTableName=pai_ft_x13_arima_input
    -DseqColName=id
    -DvalueColName=number
    -Dorder=3,1,1
    -Dseasonal=0,1,1
    -Dstart=1949.1
    -Dfrequency=12
    -Dperiod=12
    -DpredictStep=12
    -DoutputPredictTableName=pai_ft_x13_arima_out_predict
    -DoutputDetailTableName=pai_ft_x13_arima_out_detail

Deskripsi Output

Tabel Output outputPredictTableName

Deskripsi Kolom

Nama kolom	Komentar
pdate	Tanggal prediksi.
forecast	Kesimpulan prediksi.
lower	Batas bawah hasil prediksi ketika tingkat kepercayaan ditentukan. Tingkat kepercayaan default adalah 0,95.
upper	Batas atas hasil prediksi ketika tingkat kepercayaan ditentukan. Tingkat kepercayaan default adalah 0,95.

Gambar berikut menunjukkan data.

Tabel Output outputDetailTableName
- Deskripsi Kolom
  Nama kolom
  Komentar
  key
  model: model yang digunakan.
  evaluation: hasil evaluasi.
  parameters: parameter pelatihan.
  log: log pelatihan.
  summary
  Detail penyimpanan.
- Gambar berikut menunjukkan data.

FAQ

Mengapa Hasil Prediksi Sama?
Jika terjadi pengecualian selama pelatihan model, model rata-rata akan dipanggil. Dalam hal ini, semua hasil prediksi adalah rata-rata dari data pelatihan. Pengecualian umum termasuk ketidakstabilan setelah pembelajaran perbedaan temporal, pelatihan tanpa konvergensi, dan varians 0. Anda dapat melihat file stderr dari node individual di Logview untuk mendapatkan informasi spesifik tentang pengecualian.
Bagaimana Cara Mengonfigurasi Parameter Komponen?
Anda perlu mengonfigurasi parameter p, d, q, sp, sd, dan sq untuk komponen x13_arima. Jika Anda tidak yakin dengan pengaturan parameter, kami sarankan Anda menggunakan komponen x13_auto_arima.
Anda hanya perlu menetapkan batas atas untuk parameter komponen tersebut, dan komponen akan secara otomatis menyesuaikan parameter.
Pesan Kesalahan: ERROR: Jumlah observasi setelah differencing dan/atau estimasi AR bersyarat adalah 9, yang kurang dari panjang seri minimum yang diperlukan untuk model yang diestimasi, 24
Data pelatihan tidak mencukupi. Ubah parameter frekuensi atau tambahkan lebih banyak data pelatihan.
Pesan Kesalahan: ERROR: Urutan operator MA terlalu besar
Dalam kebanyakan kasus, kesalahan ini terjadi karena data pelatihan tidak mencukupi.
Pesan Kesalahan: ERROR: Seri yang akan dimodelkan dan/atau disesuaikan secara musiman harus memiliki setidaknya 3 tahun data lengkap
Jika Anda telah menentukan parameter musiman, setidaknya tiga tahun data diperlukan.

Referensi

Anda perlu mengonfigurasi parameter seperti p, d, q, sp, sd, dan sq untuk komponen x13_arima. Jika Anda tidak yakin bagaimana mengonfigurasi parameter, kami sarankan Anda menggunakan komponen x13_auto_arima. Anda hanya perlu menentukan batas atas untuk parameter komponen ini, dan sistem secara otomatis menentukan nilai parameter optimal. Untuk informasi lebih lanjut, lihat x13_auto_arima.

Tahun	Jan	Feb	Mar	Apr	Mei	Jun	Jul	Agu	Sep	Okt
1949			1	2	3	4	5	6	7	8	9	10
1950	11	12	13	14	15

Tahun	Qtr1	Qtr2	Qtr3	Qtr4
1949			1	2
1950	3	4	5	6
1951	7	8	9	10
1952	11	12	13	14
1953	14	15

Minggu	Sun	Sen	Sel	Rab	Kam	Jum	Sat
1949			1	2	3	4	5
1950	6	7	8	9	10	11	12
1951	13	14	15

Siklus	p1
1949	1
1950	2
1951	3
1952	4
1953	5
1954	6
1955	7
1956	8
1957	9
1958	10
1959	11
1960	12
1961	13
1962	14
1963	15

Nama kolom	Komentar
key	model: model yang digunakan. evaluation: hasil evaluasi. parameters: parameter pelatihan. log: log pelatihan.
summary	Detail penyimpanan.