Simple Log Service menyediakan kemampuan pembelajaran mesin yang mendukung berbagai algoritma dan metode pemanggilan. Anda dapat menggunakan pernyataan analitik serta fungsi pembelajaran mesin untuk menganalisis karakteristik satu atau lebih bidang dari waktu ke waktu. Berbagai algoritma analisis tersedia untuk menangani tantangan data deret waktu, seperti memprediksi tren, mendeteksi anomali, mendekomposisi deret, dan mengelompokkan beberapa deret. Algoritma ini kompatibel dengan fungsi SQL standar, sehingga mempermudah penggunaan dan meningkatkan efisiensi pemecahan masalah.
Fitur
Berbagai operasi smoothing untuk data deret waktu tunggal.
Algoritma untuk prediksi, deteksi anomali, deteksi titik perubahan, deteksi titik infleksi, dan estimasi multi-periode pada data deret waktu tunggal.
Operasi dekomposisi untuk menganalisis data deret waktu tunggal.
Berbagai algoritma pengelompokan untuk data deret waktu ganda.
Penambangan pola multi-bidang berdasarkan urutan data numerik atau teks.
Batasan
Data deret waktu harus diambil sampelnya pada interval yang sama.
Data tidak boleh berisi beberapa sampel dari titik waktu yang sama.
Kapasitas pemrosesan tidak boleh melebihi batas maksimum yang tercantum di bawah ini:
Item
Batas
Kapasitas pemrosesan data deret waktu
Data dapat dikumpulkan dari maksimal 150.000 titik waktu berturut-turut.
Jika volume data melebihi kapasitas pemrosesan, Anda harus menggabungkan data atau mengurangi jumlah sampel.
Kapasitas algoritma pengelompokan berbasis kepadatan
Hingga 5.000 kurva deret waktu dapat dikelompokkan secara bersamaan, dengan setiap kurva dibatasi hingga 1.440 titik waktu.
Kapasitas algoritma pengelompokan hirarkis
Hingga 2.000 kurva deret waktu dapat dikelompokkan secara bersamaan, dengan setiap kurva dibatasi hingga 1.440 titik waktu.
Fungsi pembelajaran mesin
Kategori | Fungsi | Deskripsi | |
Deret waktu | ts_smooth_simple | Menggunakan algoritma Holt Winters untuk melicinkan data deret waktu. | |
ts_smooth_fir | Menggunakan filter respons impuls terbatas (FIR) untuk melicinkan data deret waktu. | ||
ts_smooth_iir | Menggunakan filter respons impuls tak terbatas (IIR) untuk melicinkan data deret waktu. | ||
ts_period_detect | Memperkirakan data deret waktu berdasarkan periode. | ||
ts_cp_detect | Mendeteksi interval dengan fitur statistik yang berbeda, mengidentifikasi titik akhir interval sebagai titik perubahan. | ||
ts_breakout_detect | Mendeteksi titik waktu ketika data mengalami perubahan drastis. | ||
ts_find_peaks | Mendeteksi nilai maksimum lokal data deret waktu dalam jendela tertentu. | ||
ts_predicate_simple | Menggunakan parameter default untuk memodelkan data deret waktu, memprediksi data deret waktu, dan mendeteksi anomali. | ||
ts_predicate_ar | Menggunakan model autoregresif (AR) untuk memodelkan data deret waktu, memprediksi data deret waktu, dan mendeteksi anomali. | ||
ts_predicate_arma | Menggunakan model autoregresif moving average (ARMA) untuk memodelkan data deret waktu, memprediksi data deret waktu, dan mendeteksi anomali. | ||
ts_predicate_arima | Menggunakan model autoregresif integrated moving average (ARIMA) untuk memmodelkan data deret waktu, memprediksi data deret waktu, dan mendeteksi anomali. | ||
ts_regression_predict | Memperkirakan tren jangka panjang untuk deret waktu periodik tunggal. | ||
ts_decompose | Menggunakan algoritma Seasonal and Trend decomposition menggunakan Loess (STL) untuk mendekomposisi data deret waktu. | ||
kernel_density_estimation | Menyesuaikan titik data observasi menggunakan fungsi puncak halus untuk mensimulasikan kurva distribusi probabilitas aktual. | ||
Penambangan pola | pattern_stat | Menambang kombinasi atribut representatif di antara sampel bidang multi-atribut yang diberikan untuk mendapatkan pola statistik sering. | |
pattern_diff | Mengidentifikasi pola yang menyebabkan perbedaan antara dua koleksi dalam kondisi tertentu. | ||
rca_kpi_search | Menganalisis atribut subdimensi yang menyebabkan anomali pada metrik pemantauan. | ||
ts_association_analysis | Mengidentifikasi metrik yang berkorelasi dengan metrik tertentu di antara beberapa metrik yang diamati dalam sistem. | ||
ts_similar | Mengidentifikasi metrik yang berkorelasi dengan data deret waktu tertentu di antara beberapa data yang diamati dalam sistem. | ||
url_classify | Mengklasifikasikan URL permintaan dan memberikan tag padanya, bersama dengan ekspresi reguler yang mendefinisikan pola tag tersebut. | ||