Liste des fonctionnalités de SAS Visual Forecasting
Analyses de séries chronologiques et prévisions à grande échelle en environnement distribué
- Génère automatiquement de grandes quantités de prévisions statistiques dans un environnement in-memory distribué.
- Le langage de script permet l'analyse in-memory de séries temporelles distribuées.
- Déplace les données afin que chaque série chronologique soit copiée dans la mémoire d'un nœud de calcul spécifique.
- Exécute chaque série chronologique sur un seul thread d'un nœud, et chaque nœud exécute le script compilé correspondant à chacune des séries qui lui ont été attribuées.
- Est optimisé pour la machine sur laquelle il est exécuté, de sorte que les utilisateurs n'ont pas à réécrire le code pour différentes machines.
Nœuds de la stratégie de modélisation du réseau neuronal et de la machine d'apprentissage
- Inclut un cadre de réseau neuronal en série avec génération automatique de caractéristiques et capacités de réglage de l'hyperparamètre (autotuning).
- Offre une structure multi-étapes (réseau de neurones/régression + série chronologique) permettant de créer une méthodologie de prévision qui combine les signaux de différents types de modèles.
- Capture la relation non linéaire entre les variables dépendantes et les variables indépendantes ainsi que les caractéristiques des séries chronologiques dans les données, comme la saisonnalité et la tendance via les modèles de prévision empilés (réseau de neurones + série chronologique).
Capacités de deep learning (apprentissage en profondeur)
- Produire des prévisions à l'aide de différentes architectures de réseaux neuronaux : Recurrent Neural Network (RNN), Long Short-Term memory (LSTM) et Gated Recurrent Unit (GRU).
- Les données transactionnelles sont formatées automatiquement à des fins de prévision avec les méthodes de Deep Learning (apprentissage profond) ci-dessus.
- La stratégie récursive est appliquée automatiquement pour la prévision en plusieurs étapes.
Modélisation interactive
- Production automatique de graphiques d'analyse, y compris les cycles saisonniers, la fonction d'autocorrélation (ACF), la fonction d'autocorrélation partielle (PACF) et le test de probabilité du bruit blanc pour les séries temporelles individuelles.
- Comparez les modèles visuellement et en utilisant la métrique de votre choix dans les régions intra-échantillon et hors échantillon.
- Développez des modèles ARIMA personnalisés de lissage exponentiel, ARIMA et de sous-ensembles (factorisés) pour des séries chronologiques individuelles via une interface utilisateur simple.
- Sélectionnez vos propres modèles champions.
Fonction d'ajustement souple
- Permet d'effectuer des ajustements de prévisions personnalisés non limités par la structure de la hiérarchie de prévision.
- Permet de sélectionner des filtres basés sur des attributs : lieu, marque, catégorie, taille, couleur, sentiment, qualité, etc.
- Permet de définir des spécifications de valeurs corrigées par filtre et par période pour chaque série chronologique contenue dans un filtre.
- Inclut des filtres de recherche Ă facettes.
- Permet de désagréger les valeurs corrigées à l'aide d'un modèle d'optimisation.
- Offre des outils d'exécution en batch et de mise à jour incrémenale des données.
Modélisation d’ensembles
- Développez des pipelines de prévision en utilisant différentes stratégies de modélisation et utilisez le noeud de modélisation d'ensembles de manière à sélectionner le modèle prédictif le plus adapté pour chaque série.
- Choisissez les modèles que vous voulez inclure dans la modélisation d'ensembles
- Cela vous permet de combiner les stratégies locales et globales de modélisation dans vos processus de prévision.
Intégration avec l’open source
- Inclut External Language Package (EXTLANG), qui distribue le code open source de Python et R pour qu’il s’exécute en parallèle dans les nœuds de travail de SAS Viya dans le cloud.
- Inclut le noeud Distributed Open Source Code, qui permet aux utilisateurs d'intégrer facilement leurs codes et algorithmes sous Python et R dans leurs pipelines de prévision.
- Développer des noeuds personnalisés réutilisables avec les techniques de prévision open source dans tous les secteurs de l'entreprise.
- Appelez les actions analytiques SAS Visual Forecasting depuis Python, R, Java, JavaScript et Lua.
Modélisation hiérarchiques
- Développez des pipelines personnalisables pour faire des analyses et modélisations poussées pour chaque niveau hiérarchique.
- Rapproche automatiquement les prévisions à tous les niveaux de la hiérarchie.
Segmentation automatique basée sur des modèles de données
- Modèle de segmentation prédéfini basé sur des modèles de séries chronologiques tels que le volume, la volatilité et la saisonnalité.
- Création automatique de pipelines imbriqués et configurables avec une stratégie de modélisation appropriée pour chaque segment sélectionné par défaut pour le modèle de classification de la demande prédéfini.
- Possibilité d’importer des segments prédéfinis par les utilisateurs, prenant en charge jusqu’à 1 000 segments.
Attributs dérivés
- Crée des jeux prédéfinis d'attributs dérivés, dont :
- Attributs de série chronologique (min, max, moyenne, manquant, etc.).
- Attributs de prévision (propriétés de modèles, statistiques ajustées).
- Attributs de classification de la demande.
- Attributs de volume/volatilité.
Analyse de séries chronologiques
- Analyse d'autocorrélation.
- Analyse de corrélation croisée.
- Décomposition saisonnière et analyse d'ajustements.
- Analyse de dénombrement.
- Tests de diagnostic pour la saisonnalité, la stationnarité, l’intermittence et la sélection provisoire des ordres ARMA.
Analyse de la fréquence
- Fonctions de fenĂŞtrage.
- Analyse de Fourier pour séries chronologiques réelles et complexes.
- Transformée de Fourier à court terme.
- Transformée de Hilbert discrète.
- Pseudo-distribution de Wigner-Ville.
Modélisation de séries chronologiques
- Modèles ARIMA (fonctions de régression dynamique et de transfert).
- Modèles de lissage exponentiel.
- Modèles de composants non observés.
- Modèles d’espace d’état.
- Modèles de demande intermittente avec la méthode de Croston.
Modélisation automatique de séries chronologiques
- Génération automatique de modèles de séries chronologiques.
- Sélection automatique des variables d’entrée et des événements.
- Sélection automatique du modèle.
- Optimisation automatique des paramètres.
- Prévisions automatiques.
Analyse spectrale singulière (SSA)
- Décomposition et prévision d'analyses SSA univariée.
- SSA multivarié.
- Analyse SSA automatique.
Suivi des sous-espaces
- Applique des techniques avancées de surveillance (analyse des signaux) pour plusieurs séries chronologiques.
Évaluation des intervalles de temps
- Évalue une variable dans une table d'entrée afin de pouvoir l'utiliser comme variable ID temps.
- Évaluez dans quelle mesure une spécification d’intervalle de temps correspond aux valeurs date/datetime ou aux numéros d’observation utilisés pour indexer une série chronologique.
- Peut être spécifié explicitement en tant qu’entrée dans PROC TSMODEL ou déduit par la procédure en fonction des valeurs de la variable Time ID.
Visualiseurs de séries chronologiques et de prévisions
- Fournit une visionneuse de séries chronologiques avec un ensemble prédéfini d’attributs de séries chronologiques.
- Fournit un visualiseur de prévisions avec un ensemble prédéfini d’attributs de prévision.
- Inclut des courbes enveloppes permettant de visualiser plusieurs séries.
- Permet d’utiliser des filtres à facettes sur les statistiques descriptives, les propriétés du modèle et les statistiques d’ajustement.
Package Réduction de la dimension de la série chronologique (TDR)
- Permet de réduire la dimension des données d'une série chronologique transactionnelle afin de préparer l'extraction de séries chronologiques.
- Permet ensuite d'appliquer des techniques de data mining traditionnelles (clusterisation, classification, arbres de décision, etc.).
Partage de projet
- Les projets dans Model Studio utilisent la fonctionnalité de partage de projet de SAS Drive.
- Lorsqu’il est partagé avec un accès en lecture/écriture, plusieurs utilisateurs peuvent apporter des modifications au projet en même temps.
- Alternativement, les projets peuvent être partagés avec un accès en lecture seule.
Distribué, accessible et optimisé pour le cloud
- Fonctionne sur SAS® Viya®, un moteur in-memory évolutif et distribué.
- Répartit les tâches d'analyse et de traitement des données sur plusieurs nœuds de calcul.
- Fournit un accès rapide, simultané et multi-utilisateur aux données in-memory.
- Est conçu pour résister aux pannes et garantir une haute disponibilité.
- Permet d’ajouter la puissance de l’analytique de SAS à d’autres applications à l’aide des API REST de SAS Viya.