本文介紹預測演算法的適用情境、參數配置等內容。
演算法簡介
預測演算法是基於Prophet預測模型的原理進行研發的。Prophet將時序資料分解為趨勢項、周期項和假日項，分別進行擬合與預測，最終整合為未來資料的預測結果。其中Prophet使用linear function或者logistic function擬合趨勢項，使用傅裡葉函數擬合周期項，使用indicator function與高斯分布擬合假日項。更多資訊，請參見Forecasting at scale。
情境說明
預測演算法採用線上機器學習技術，對每個實體的每個指標進行預測，適用於一般性時序預測情境，包括：
機器層級指標的預測，例如CPU使用率、記憶體利用率、硬碟讀寫速率等。
業務指標的預測，例如QPS、流量、成功率、延時等。
黃金指標的預測，例如描述一個網域名稱的請求品質，則對應的黃金指標為每分鐘平均響應延時、每分鐘的請求數、每分鐘的失敗請求數等。
參數配置
您可以在建立時序預測作業設定精靈的演算法配置步驟中，完成演算法配置。具體操作，請參見建立時序預測作業。
參數 | 說明 |
時序預測周期 | |
周期配置 | 設定時間序列的周期。其中，周期長度以天為單位，如果小於一天，可以用小數表達，例如2.4天。 時序預測作業預設考慮時序資料的天周期性、周周期性和年周期性對時序走勢的影響，針對這三個周期，不需要進行周期配置。 |
假日配置 | |
所在國家 | 選擇時序資料所在的國家。對時序資料進行預測時，時序預測作業會考慮所在國家的節假日對時序走勢的影響。 |
其他節假日 | 設定影響時序走勢的節假日，可設定為非常見節假日或其他影響時序走勢的活動日期。 設定節假日時不僅需要設定待預測的時序中的節假日，也需要設定用於預測的、已出現的時序中的節假日。 |
預測配置 | |
待測序列長度 | 設定待預測的時序的長度。 時間單位將影響預測的時序中的資料點數量，例如預測未來2個小時的時序資料，如果設定待測序列長度為2小時，那麼預測的時序中僅包含2個資料點，即每小時一個資料點；如果設定待測序列長度為120分鐘，那麼預測的時序中將包含120個資料點，即每分鐘一個資料點。 |
信賴度 | 設定信賴度。取值範圍為0.5~0.99。信賴度將影響預測結果中上下界的範圍，信賴度越高，預測結果中上下界之間的資料出現的可能性越高。 |
採樣數 | 設定採樣數。取值範圍為0~100。採樣數將影響預測結果中上下界的準確性，採樣數越高，上下界的準確性越高。 |
預測頻率 | 設定預測頻率。時序預測作業是持續啟動並執行，預測頻率表示每隔多長時間進行一次預測。 |
觀測時間長度 | 設定觀測時間長度。觀測時間長度表示每次預測時將基於之前多長時間的時序資料進行預測。 |
調度配置 | |
時間範圍 | 配置時序預測作業的開始時間。 |