Platform For AI:x13_arima

Cara kerja

x13_arima melakukan fitting terhadap model Seasonal ARIMA, yang dinyatakan sebagai ARIMA(p,d,q)(P,D,Q)m:

ARIMA (Autoregressive Integrated Moving Average) diperkenalkan oleh Box dan Jenkins pada awal 1970-an dan juga dikenal sebagai model Box-Jenkins.

Batasan

Konfigurasi komponen

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

Format deret waktu

Parameter start dan frequency secara bersama-sama menentukan bagaimana data Anda dipetakan ke waktu kalender. Bayangkan data sebagai urutan nilai yang ditempatkan ke dalam kalender dua tingkat: unit utama ts1 (misalnya, tahun) dan sub-unit ts2 (misalnya, bulan).

• frequency — jumlah sub-unit ts2 per unit utama ts1

• start — ditulis sebagai n1.n2, artinya n2-nya ts2 pada n1-nya ts1

Contoh

Contoh ini menggunakan set data AirPassengers, yang mencatat jumlah penumpang maskapai internasional bulanan dari tahun 1949 hingga 1960. Untuk detail set data, lihat AirPassengers (R datasets).

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

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

Tabel output

outputPredictTableName — hasil prediksi

Kolom	Deskripsi
pdate	Tanggal prediksi.
forecast	Nilai yang diprediksi.
lower	Batas bawah interval kepercayaan (default: 95%).
upper	Batas atas interval kepercayaan (default: 95%).

outputDetailTableName — detail model

Kolom	Deskripsi
key	Jenis catatan: model (spesifikasi model), evaluation (metrik evaluasi), parameters (parameter pelatihan), atau log (log pelatihan).
summary	Konten detail untuk key yang sesuai.

FAQ

Mengapa semua hasil prediksi bernilai sama?

Model kembali ke model rata-rata, yang menghasilkan rata-rata data pelatihan untuk semua langkah prediksi. Hal ini terjadi ketika pelatihan gagal karena ketidakstabilan setelah differencing temporal, non-konvergensi, atau varians nol. Untuk melihat error pasti, buka Logview untuk pekerjaan tersebut dan periksa file stderr untuk node individual.

Bagaimana cara memilih nilai p, d, q, sp, sd, dan sq?

Jika Anda tidak yakin dengan pengaturan parameter, gunakan x13_auto_arima sebagai gantinya. Cukup tentukan batas atas untuk setiap orde, dan x13_auto_arima akan mencari nilai optimal secara otomatis.

Error: `Number of observations after differencing and/or conditional AR estimation is 9, which is less than the minimum series length required for the model estimated, 24`

Data pelatihan terlalu singkat untuk model yang ditentukan. Ubah parameter frequency atau tambahkan lebih banyak data historis.

Error: `Order of the MA operator is too large`

Dalam kebanyakan kasus, error ini terjadi karena data pelatihan tidak mencukupi. Tambahkan lebih banyak data pelatihan.

Error: `Series to be modelled and/or seasonally adjusted must have at least 3 complete years of data`

Ketika Anda menentukan parameter musiman (seasonal), input harus berisi minimal tiga tahun data lengkap.

Langkah selanjutnya

• x13_auto_arima — secara otomatis memilih orde SARIMA dalam batas atas yang Anda tentukan

• SQL Script — menjalankan perintah PAI dalam pipeline

• Client MaxCompute (odpscmd) — mengunggah data ke tabel MaxCompute