Platform For AI:x13_arima

方法 1：PAI コンソールでの設定（推奨）

ビジュアルモデリングのパイプラインページで、x13_arima コンポーネントを追加し、以下のパラメーターを設定します。

[フィールド設定] タブ

[パラメータ設定] タブ

[チューニング] タブ

方法 2：PAI コマンドの実行

SQL スクリプトまたはODPS SQL コンポーネントを使用して、x13_arima を直接呼び出します。

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

パラメーター

デフォルトのリソース割り当て

入力テーブルの準備

入力テーブルには、2 つの列があります：id（シーケンス番号）および number（旅客数）です。

テーブルを作成し、MaxCompute クライアントを使用してデータをアップロードします。インストール手順については、「MaxCompute クライアント (odpscmd)」をご参照ください。トンネル コマンドの使用方法については、「トンネル コマンド」をご参照ください。

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

このデータセットは、1949 年 1 月から始まる月次データであるため、start=1949.1 および frequency=12 を使用します。以下の表は、14 個の値 [1, 2, 3, ..., 15] を start=1949.3 および frequency=12（1949 年 3 月から始まる月次データ）でマッピングした場合の例です：

以下の例では、同じ値のシーケンス [1, 2, 3, ..., 15] を使用して、四半期、週次、および単一単位の粒度における時系列マッピングを示します：

四半期（frequency=4、start=1949.3）

予測は 1953 年第 2 四半期から開始されます。

週単位サイクルの日次（frequency=7、start=1949.3）

予測は、1951週目の4日目から開始されます。

単一単位（frequency=1、start=1949.1）

予測は 1963 年から開始されます。

PAI コマンドの実行

SQL スクリプト または ODPS SQL コンポーネントを使用して、次のコマンドを実行します：

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

出力テーブル

outputPredictTableName — 予測結果

outputDetailTableName — モデル詳細