Apa itu x13_auto_arima - Platform For AI - Alibaba Cloud Documentation Center

Secara otomatis memilih model ARIMA optimal untuk data deret waktu menggunakan prosedur dari Gomez dan Maravall (1998) serta TRAMO (1996).

Cara kerja

Komponen ini memilih model ARIMA terbaik melalui empat langkah:

Pendugaan model default
- Untuk frequency = 1, model default adalah (0,1,1).
- Untuk frequency > 1, model default adalah (0,1,1)(0,1,1).
Identifikasi orde differencing: Jika parameter diff dan seasonalDiff telah ditentukan, langkah ini dilewati. Jika tidak, uji akar unit menentukan orde differencing non-musiman d dan orde differencing musiman D.
Identifikasi orde ARMA: Memilih model paling tepat berdasarkan Bayesian Information Criterion (BIC). Parameter maxOrder dan maxSeasonalOrder mengontrol batas atas.
Perbandingan model dan pemeriksaan akhir: Statistik Q Ljung-Box membandingkan model yang diidentifikasi dengan model default. Jika kedua model tidak dapat diterima, sistem kembali ke model (3,d,1)(0,D,1).

Untuk informasi lebih lanjut tentang ARIMA, lihat Autoregressive integrated moving average.

Batasan

Hanya berjalan pada resource komputasi MaxCompute.
Maksimal 1.200 catatan data per kelompok.
Satu kolom numerik.

Perhitungan resource

Tanpa groupColNames:
```
  coreNum = 1
  memSizePerCore = 4096
```

Dengan groupColNames:

  coreNum = floor(Jumlah total baris / 120,000)
  memSizePerCore = 4096

Konfigurasi komponen

Konfigurasikan x13_auto_arima dengan salah satu cara berikut:

Metode 1: Konfigurasi di konsol PAI
Metode 2: Konfigurasi dengan perintah PAI

Metode 1: Konfigurasi di konsol PAI

Konfigurasikan parameter pada halaman pipeline Machine Learning Designer.

Pengaturan Field

Parameter	Wajib	Deskripsi
Time Series Column	Ya	Mengurutkan nilai dalam kolom value.
Value Column	Ya	Kolom numerik yang berisi nilai deret waktu.
Stratification Column	Tidak	Pisahkan beberapa kolom dengan koma (`,`), misalnya `col0,col1`. Membuat deret waktu terpisah untuk setiap kelompok.

Pengaturan Parameter

Parameter	Deskripsi	Default
Start Date	Format: `year.seasonal`. Contoh: `1986.1`.	--
Series Frequency	Bilangan bulat positif dalam rentang (0,12].	--
Maximum of p and q	Bilangan bulat positif dalam rentang (0,4].	--
Maximum of Seasonal p and q	Bilangan dalam rentang (0,2].	--
Maximum of Difference d	Bilangan bulat positif dalam rentang (0,2].	--
Maximum of Seasonal Difference d	Bilangan bulat positif dalam rentang (0,1].	--
Difference d	Bilangan bulat positif dalam rentang (0,2]. Jika `diff` dan `maxDiff` keduanya ditentukan, `maxDiff` diabaikan. Harus digunakan bersama `seasonalDiff`.	--
Seasonal Difference d	Bilangan bulat positif dalam rentang (0,1]. Jika `seasonalDiff` dan `maxSeasonalDiff` keduanya ditentukan, `maxSeasonalDiff` diabaikan.	--
Prediction Entries	Jumlah prediksi. Misalnya, untuk memprediksi penjualan selama 7 hari ke depan berdasarkan data sebulan terakhir, atur nilai ini menjadi `7`. Jika Stratification Column dipilih, setiap kelompok menghasilkan jumlah prediksi sebanyak ini. Bilangan bulat positif dalam rentang (0,120].	--
Prediction Confidence Interval	Tingkat kepercayaan untuk menghitung interval prediksi.	0,95
Tolerance	Opsi. Toleransi konvergensi untuk fitting model.	1e-5
Maximum Iterations	Bilangan bulat positif.	1500

Execution Tuning

Parameter	Deskripsi
Cores	Jumlah core. Sistem menentukan secara otomatis secara default.
Memory Size	Ukuran memori per core, dalam MB.

Metode 2: Konfigurasi dengan perintah PAI

Jalankan perintah PAI melalui skrip SQL. Untuk informasi lebih lanjut, lihat SQL Script.

PAI -name x13_auto_arima
    -project algo_public
    -DinputTableName=pai_ft_x13_arima_input
    -DseqColName=id
    -DvalueColName=number
    -Dstart=1949.1
    -Dfrequency=12
    -DpredictStep=12
    -DoutputPredictTableName=pai_ft_x13_arima_out_predict2
    -DoutputDetailTableName=pai_ft_x13_arima_out_detail2

Referensi parameter

Parameter	Wajib	Deskripsi	Default
inputTableName	Ya	Nama tabel input.	N/A
inputTablePartitions	Tidak	Kolom fitur yang dipilih dari tabel input untuk pelatihan model.	Full table
seqColName	Ya	Kolom deret waktu. Mengurutkan nilai dalam kolom value.	N/A
valueColName	Ya	Kolom value.	N/A
groupColNames	Tidak	Kolom stratifikasi. Pisahkan beberapa kolom dengan koma (`,`), misalnya `col0,col1`. Membuat deret waktu terpisah untuk setiap kelompok.	N/A
start	Tidak	Waktu mulai deret waktu. Format: `year.seasonal`, seperti `1986.1`. Untuk detailnya, lihat Format deret waktu.	1.1
frequency	Tidak	Frekuensi deret waktu. Bilangan bulat positif dalam rentang (0,12]. Nilai 12 menunjukkan 12 bulan (satu tahun). Untuk detailnya, lihat Format deret waktu.	12
maxOrder	Tidak	Nilai maksimum p dan q. Bilangan bulat positif dalam rentang [0,4].	2
maxSeasonalOrder	Tidak	Nilai maksimum seasonal p dan q. Bilangan bulat positif dalam rentang [0,2].	1
maxDiff	Tidak	Orde differencing non-musiman maksimum d. Bilangan bulat positif dalam rentang [0,2].	2
maxSeasonalDiff	Tidak	Orde differencing musiman maksimum d. Bilangan bulat positif dalam rentang [0,1].	1
diff	Tidak	Orde differencing non-musiman d. Bilangan bulat positif dalam rentang [0,2]. Jika `diff` dan `maxDiff` keduanya ditentukan, `maxDiff` diabaikan. Harus digunakan bersama `seasonalDiff`. Nilai -1 menunjukkan orde differencing tidak ditentukan.	-1
seasonalDiff	Tidak	Orde differencing musiman d. Bilangan bulat positif dalam rentang [0,1]. Jika `seasonalDiff` dan `maxSeasonalDiff` keduanya ditentukan, `maxSeasonalDiff` diabaikan. Nilai -1 menunjukkan orde differencing musiman tidak ditentukan.	-1
maxiter	Tidak	Jumlah iterasi maksimum. Bilangan bulat positif.	1500
tol	Tidak	Toleransi konvergensi. Tipe DOUBLE.	1e-5
predictStep	Tidak	Jumlah entri prediksi. Bilangan bulat positif dalam rentang (0,365].	12
confidenceLevel	Tidak	Tingkat kepercayaan untuk interval prediksi. Bilangan dalam rentang (0,1).	0,95
outputPredictTableName	Ya	Tabel prediksi output.	N/A
outputDetailTableName	Ya	tabel detail output.	N/A
outputTablePartition	Tidak	Apakah akan mengekspor data ke partisi.	Tidak mengekspor data ke partisi
coreNum	Tidak	Jumlah core. Bilangan bulat positif. Digunakan bersama `memSizePerCore`.	Ditentukan oleh sistem
memSizePerCore	Tidak	Ukuran memori per core, dalam MB. Bilangan bulat positif dalam rentang [1024, 65536].	Ditentukan oleh sistem
lifecycle	Tidak	Siklus hidup tabel output.	N/A

Format deret waktu

Parameter start dan frequency mendefinisikan dua dimensi waktu, ts1 dan ts2, untuk kolom numerik.

frequency menentukan berapa banyak unit ts2 yang muat dalam satu unit ts1.
start menggunakan format n1.n2, artinya deret dimulai pada ts2 ke-n2 dalam ts1 ke-n1.

Konfigurasi umum:

Unit waktu	ts1	ts2	frequency	mulai contoh
12 bulan/tahun	Tahun	Bulan	12	`1949.2` = Februari 1949
4 kuartal/tahun	Tahun	Kuartal	4	`1949.2` = Kuartal II 1949
7 hari/minggu	Minggu	Hari	7	`1949.2` = hari kedua minggu ke-1949
1	Unit waktu apa pun	1	1	`1949.1` = tahun 1949, atau hari ke-1949 atau jam ke-1949

Contoh deret waktu

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

start=1949.3, frequency=12 (data bulanan, 12 bulan per tahun)

Prediksi dimulai dari Juni 1950.

year	Jan	Feb	Mar	Apr	May	Jun	Jul	Aug	Sep	Oct	Nov	Dec
1949			1	2	3	4	5	6	7	8	9	10
1950	11	12	13	14	15

start=1949.3, frequency=4 (data kuartalan, 4 kuartal per tahun)

Prediksi dimulai dari Kuartal II 1953.

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

start=1949.3, frequency=7 (data harian, 7 hari per minggu)

Prediksi dimulai dari hari keempat minggu ke-1951.

week	Sun	Mon	Tue	Wed	Thu	Fri	Sat
1949			1	2	3	4	5
1950	6	7	8	9	10	11	12
1951	13	14	15

start=1949.1, frequency=1 (data non-musiman)

Prediksi dimulai pada tahun 1963.

cycle	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 set data AirPassengers.csv, yang mencatat jumlah penumpang maskapai internasional per bulan dari tahun 1949 hingga 1960. Untuk informasi lebih lanjut tentang set data tersebut, lihat AirPassengers.

Data sampel:

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

Jalankan perintah Tunnel berikut pada client MaxCompute untuk mengunggah data. Untuk informasi tentang instalasi dan konfigurasi client MaxCompute, lihat Client 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 xxx/airpassengers.csv pai_ft_x13_arima_input -h true;

Jalankan perintah PAI

Gunakan skrip SQL atau komponen ODPS SQL untuk menjalankan perintah PAI:

PAI -name x13_auto_arima
    -project algo_public
    -DinputTableName=pai_ft_x13_arima_input
    -DseqColName=id
    -DvalueColName=number
    -Dstart=1949.1
    -Dfrequency=12
    -DmaxOrder=4
    -DmaxSeasonalOrder=2
    -DmaxDiff=2
    -DmaxSeasonalDiff=1
    -DpredictStep=12
    -DoutputPredictTableName=pai_ft_x13_arima_auto_out_predict
    -DoutputDetailTableName=pai_ft_x13_arima_auto_out_detail

Output

Tabel prediksi (outputPredictTableName)

Kolom	Deskripsi
pdate	Tanggal prediksi.
forecast	Hasil prediksi.
lower	Batas bawah interval prediksi pada tingkat kepercayaan yang ditentukan. Default: 0,95.
upper	Batas atas interval prediksi pada tingkat kepercayaan yang ditentukan. Default: 0,95.

Data yang dihasilkan:

Prediction output

Tabel detail (outputDetailTableName)

Kolom	Deskripsi
key	Salah satu dari berikut: `model` (model yang sedang digunakan), `evaluation` (hasil evaluasi), `parameters` (parameter pelatihan), atau `log` (log pelatihan).
summary	Rincian penyimpanan untuk key yang sesuai.

Data yang dihasilkan:

Details output

FAQ

Mengapa semua hasil prediksi bernilai sama?

Hal ini terjadi ketika pelatihan model mengalami pengecualian dan kembali ke model rata-rata, yang menghasilkan rata-rata data pelatihan untuk semua prediksi. Penyebab umum meliputi ketidakstabilan setelah differencing, kegagalan konvergensi selama pelatihan, atau varians nol pada data input.

Untuk mendiagnosis error spesifik, periksa file stderr dari node individual di Logview.

Bagaimana memilih antara x13_arima dan x13_auto_arima?

x13_arima mengharuskan Anda menentukan secara manual parameter p, d, q, sp, sd, dan sq. Jika Anda tidak yakin nilai mana yang harus digunakan, pilih x13_auto_arima. Dengan x13_auto_arima, cukup atur batas atas (seperti maxOrder dan maxDiff), dan komponen akan menyetel parameter secara otomatis.

Error: Jumlah pengamatan setelah differencing kurang dari panjang deret minimum

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 tidak mencukupi untuk model yang ditentukan. Ubah parameter frequency atau tambahkan lebih banyak data pelatihan.

Error: Orde operator MA terlalu besar

ERROR: Order of the MA operator is too large

Error ini biasanya menunjukkan data pelatihan tidak mencukupi. Tambahkan lebih banyak titik data ke tabel input Anda.

Error: Deret harus memiliki setidaknya 3 tahun data lengkap

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

Ketika parameter musiman ditentukan, data input harus berisi setidaknya tiga tahun pengamatan lengkap.

Referensi

X-13ARIMA-SEATS adalah algoritma model autoregressive integrated moving average (ARIMA) yang disesuaikan secara musiman berdasarkan algoritma open-source X-13ARIMA-SEATS. Untuk komponen terkait dengan parameter manual, lihat x13_arima.