预测是一种结果操作,它使用数据中的模式来预测未来的结果。
预测使用来自至少有两个数据周期的日期字段的值。一个数据周期是一个细分为多个值的时段。例如,一年可按月或周细分。在自动模式下,预测会将每年识别为一个周期,因此您需要两年的数据来生成预测。
此文章包含以下主题:
预测基础知识
使用此程序了解如何添加预测到您的报告。
添加预测到您的报告
- 在报告生成器中,创建一个基于时间的报告。例如,您可以将COUNT(工单)添加到指标面板,并将工单创建 - 年添加到列面板。
- 单击结果操作图标( ),然后单击预测。
- 在预测菜单中,勾选计算结果的预测
将显示配置预测的选项。
- 路径决定了预测是基于图表中的列还是行。无论您选择哪个,都必须包含基于日期的属性。该路径始终包含预测的基于日期的属性。
- 在方法下,选择趋势相加和季度相乘或趋势相加和季度相加。
要了解更多关于您可以使用的预测方法的信息,请查阅下面的预测工作原理。
- 在要预测的值下,选择以下选项之一:
- 自动:让Explore自动计算提前预测的最佳值数量。
- 自定义:指定要预测的值的数量。例如,如果您的属性基于年份,您将指定要提前预测的年数。
- 在每个周期的值下,您可以配置每个周期中包含的数据点数量。例如,对于 12 个月的数据,您每个周期可以选择 6 个值。如果您选择自动, Explore将计算要使用的最佳值数。
- 完成后,单击应用。
- 从可视化菜单 ( ),选择条形图、柱形图、面积图、折线图或迷你图。预测结果不会显示在其它图表类型上。
图表的预测移植以不同的样式显示。例如,折线图的预测部分显示为虚线,例如:
例如,如果您的报告包含属性已创建工单 - 月,而您已在一年多的时间内收集数据,那么此字段中的值将进行聚合,您将看到错误消息。同时添加属性工单 - 年以解决该错误。
预测如何工作(高级)
Explore使用的预测方法基于Holt Winters模型,这是一个三重指数平滑模型 这取决于时间序列的水平、趋势和季节。
Explore,使用两个适合大多数用例的子模型,并考虑到了季节性变化。
AA 方法
AA(相加趋势和相加季节)模型是默认的,因为它最常用,也能产生最真实的结果。
初始值使用以下公式进行处理:
然后,我们可以应用 Holt Winters AA 模型:
AM 方法
AM(加法趋势和乘法季节)模型在某些情况下是基于时间的趋势。
初始值使用以下公式进行处理:
然后,我们可以应用 Holt Winters AM 模型:
每个周期的时段
在计算中,我们也使用"每个周期的时段"值。它用于确定处理季节指数所需的季节长度。在上面的公式中,这个值被命名为"h"。
平滑参数
在处理预测之前,必须定义另外三个参数。它们对应于平滑参数,称为"α"的水平、"β"为趋势,"γ"为季节性。简而言之,它们对应于基于时间的序列的第一个和最后一个值的重要性比率,并将影响每个时段的结果。这里是一个例子:
“阿尔法、贝塔和伽马的估计值分别为 0.41、0.00 和 0.96。alpha 的值(0.41)相对较低,表示当前时间点的水平估计基于最近的观察值和更远的过去的一些观察值。beta 的值为 0.00,表示趋势分量斜率 b 的估计值未在整个时间序列中更新,而是设置为其初始值。这很直观,因为水平在时间序列中变化很大,但趋势分量的斜率 b 大致保持不变。相比之下,Gamma 的值 (0.96) 较高,表明当前时间点的季节性成分估计值仅基于最近的观测值。”
对于三个优化参数,没有官方算法可以找到最佳参数。这就变成了一个 NP 完全问题,其中优化问题是最小化预测结果的均方误差,0≤α≤1,0≤β≤1,0≤γ≤1。
因此, Explore有自己的算法可以在线性时间内找到最佳的三个参数,精度为 0.01。
翻译免责声明:本文章使用自动翻译软件翻译,以便您了解基本内容。 我们已采取合理措施提供准确翻译,但不保证翻译准确性
如对翻译准确性有任何疑问,请以文章的英语版本为准。