SAS^® Visual Forecasting

รายการคุณสมบัติของ SAS Visual Forecasting

การวิเคราะห์ชุดข้อมูลตามเวลาขนาดใหญ่และการพยากรณ์ในสภาพแวดล้อมแบบกระจาย

สร้างการคาดการณ์ตามสถิติในปริมาณมากโดยอัตโนมัติในสภาพแวดล้อมแบบกระจายในหน่วยความจำ
ภาษาสคริปต์ช่วยให้สามารถวิเคราะห์ชุดข้อมูลตามเวลาแบบกระจายในหน่วยความจำได้
สับเปลี่ยนข้อมูลเพื่อให้แต่ละชุดข้อมูลตามเวลาถูกคัดลอกลงในหน่วยความจำของโหนดการคำนวณเดียว
ดำเนินการชุดข้อมูลตามเวลาแต่ละชุดบนเธรดหนึ่งของโหนด และแต่ละโหนดดำเนินการสคริปต์ที่คอมไพล์สำหรับแต่ละชุดข้อมูลตามเวลาที่กำหนด
ได้รับการปรับให้เหมาะสมสำหรับเครื่องที่กำลังทำงานอยู่ ดังนั้นผู้ใช้จึงไม่ต้องเขียนโค้ดใหม่สำหรับเครื่องอื่น

โหนดกลยุทธ์การสร้างโมเดลเครือข่ายประสาทเทียม/การเรียนรู้ของเครื่อง

รวมเฟรมเวิร์กเครือข่ายประสาทซีรีส์พาเนลพร้อมการสร้างคุณสมบัติอัตโนมัติและความสามารถในการปรับไฮเปอร์พารามิเตอร์ (การปรับอัตโนมัติ)
ให้เฟรมเวิร์กแบบหลายขั้นตอน (โครงข่ายประสาทเทียม/การถดถอย + ชุดข้อมูลตามเวลา) สำหรับการสร้างวิธีการพยากรณ์ที่รวมสัญญาณจากโมเดลประเภทต่างๆ
แก้ไขปัญหาที่มีทั้งลักษณะชุดข้อมูลตามเวลาและความสัมพันธ์แบบไม่เชิงเส้นระหว่างตัวแปรตามและตัวแปรอิสระโดยใช้การพยากรณ์โมเดลแบบซ้อน (โครงข่ายประสาทเทียม + ชุดข้อมูลตามเวลา)

ความสามารถในการเรียนรู้เชิงลึก

สร้างการคาดการณ์ด้วยโครงข่ายประสาทเทียมแบบเกิดซ้ำ (RNN) เครือข่ายหน่วยหน่วยความจำระยะสั้นแบบยาว (LSTM) และเครือข่ายหน่วยหน่วยความจำระยะสั้นแบบเกตด์ (GRU)
ข้อมูลธุรกรรมได้รับการจัดรูปแบบโดยอัตโนมัติเพื่อวัตถุประสงค์ในการพยากรณ์ด้วยวิธีการเรียนรู้เชิงลึกข้างต้น
กลยุทธ์แบบเรียกซ้ำจะใช้โดยอัตโนมัติสำหรับการพยากรณ์แบบหลายขั้นตอน

การสร้างโมเดลแบบอินเทอร์แอคทีฟ

สร้างแผนการวิเคราะห์โดยอัตโนมัติ รวมถึงรอบฤดูกาล ฟังก์ชันความสัมพันธ์อัตโนมัติ (ACF) ฟังก์ชันความสัมพันธ์อัตโนมัติบางส่วน (PACF) และการทดสอบความน่าจะเป็นของสัญญาณรบกวนสีขาวสำหรับชุดข้อมูลตามเวลาแต่ละรายการ
เปรียบเทียบโมเดลด้วยสายตาและโดยใช้เมตริกที่เลือกในภูมิภาคตัวอย่างและนอกตัวอย่าง
พัฒนาการปรับเรียบเลขชี้กำลังแบบกำหนดเอง โมเดล ARIMA และ ARIMA แบบเซ็ตย่อย (แยกแฟกเตอร์) สำหรับชุดข้อมูลตามเวลาแต่ละรายการผ่านส่วนต่อประสานผู้ใช้ที่เรียบง่าย
เลือกโมเดลที่ชนะเลิศของคุณเอง

สิ่งอำนวยความสะดวกแทนที่ที่ยืดหยุ่น

เปิดใช้งานการปรับปรุงการพยากรณ์แบบกำหนดเองที่ไม่ถูกจำกัดโดยโครงสร้างของลำดับชั้นการพยากรณ์
ให้คุณเลือกตัวกรองตามแอตทริบิวต์ เช่น สถานที่ แบรนด์ หมวดหมู่ ขนาด สี ความคิดเห็น คุณภาพ ฯลฯ
ให้คุณกำหนดข้อมูลจำเพาะแทนที่ตามตัวกรองและช่วงเวลาสำหรับชุดข้อมูลตามเวลาทั้งหมดที่อยู่ในตัวกรอง
รวมตัวกรองการค้นหาแบบหลายแง่มุม
อนุญาตให้แยกการแทนที่โดยใช้โมเดลการปรับให้เหมาะสม
เปิดใช้งานการดำเนินการเป็นชุดและการอัปเดตข้อมูลส่วนเพิ่ม

การสร้างโมเดลกลุ่ม

พัฒนากระบวนการพยากรณ์โดยใช้กลยุทธ์การสร้างโมเดลที่แตกต่างกัน และใช้โหนดการสร้างโมเดลกลุ่ม เพื่อเลือกการพยากรณ์ที่มีประสิทธิภาพดีที่สุดสำหรับแต่ละชุด
เลือกโมเดลที่คุณต้องการรวมไว้ในการสร้างโมเดลกลุ่ม
ช่วยให้คุณสามารถรวมกลยุทธ์การสร้างโมเดลระดับท้องถิ่นและระดับโลกเข้าด้วยกันในกระบวนการพยากรณ์ได้

การผสานการทำงานกับโอเพ่นซอร์ส

รวมถึง External Language Package (EXTLANG) ซึ่งช่วยกระจายโค้ดโอเพ่นซอร์สจาก Python และ R เพื่อทำงานคู่ขนานบนโหนดเวิร์กเกอร์ของ SAS Viya บนคลาวด์
รวมถึงโหนด Distributed Open Source Code ซึ่งช่วยให้ผู้ใช้สามารถรวมโค้ดและอัลกอริทึม Python หรือ R ลงในกระบวนการพยากรณ์ได้อย่างง่ายดาย
พัฒนาโหนดแบบกำหนดเองที่สามารถนำกลับมาใช้ซ้ำได้ด้วยเทคนิคการพยากรณ์แบบโอเพ่นซอร์สสำหรับทุกพื้นที่ทางธุรกิจ
เรียกการดำเนินการวิเคราะห์ SAS Visual Forecasting จาก Python, R, Java, JavaScript และ Lua

การสร้างโมเดลลำดับชั้น

พัฒนากระบวนการทำงานแบบปรับแต่งได้เพื่อให้สามารถวิเคราะห์และสร้างโมเดลเชิงลึกสำหรับแต่ละระดับของลำดับชั้นได้
ปรับสมดุลการพยากรณ์โดยอัตโนมัติในทุกระดับของลำดับชั้น

การแบ่งส่วนอัตโนมัติตามรูปแบบข้อมูล

เทมเพลตการแบ่งส่วนที่สร้างไว้ล่วงหน้าตามรูปแบบชุดข้อมูลตามเวลา เช่น ปริมาณ ความผันผวน และฤดูกาล
การสร้างไปป์ไลน์ที่ซ้อนกันและกำหนดค่าได้โดยอัตโนมัติด้วยกลยุทธ์การสร้างโมเดลที่เหมาะสมสำหรับแต่ละเซ็กเมนต์ที่เลือกตามค่าเริ่มต้นสำหรับเทมเพลตการจำแนกความต้องการที่สร้างไว้ล่วงหน้า
ความสามารถในการนำเข้ากลุ่มที่กำหนดไว้ล่วงหน้าโดยผู้ใช้ รองรับได้ถึง 1,000 กลุ่ม

แอตทริบิวต์ที่ได้รับ

สร้างชุดแอตทริบิวต์ที่ได้รับที่กำหนดไว้ล่วงหน้า รวมถึง:
- แอตทริบิวต์ชุดข้อมูลตามเวลา(ต่ำสุด สูงสุด ค่าเฉลี่ย ขาดหายไป ฯลฯ)
- แอตทริบิวต์การพยากรณ์ (คุณสมบัติของโมเดล สถิติความพอดี)
- แอตทริบิวต์การจัดประเภทความต้องการ
- แอตทริบิวต์ปริมาณ / ความผันผวน

การวิเคราะห์ชุดข้อมูลตามเวลา

การวิเคราะห์ความสัมพันธ์อัตโนมัติ
การวิเคราะห์ความสัมพันธ์ข้าม
การวิเคราะห์การสลายตัวและการปรับสภาพตามฤดูกาล
การวิเคราะห์ชุดนับ
การทดสอบเพื่อการวินิจฉัยสำหรับการเลือกคำสั่ง ARMA ตามฤดูกาล ความคงที่ ความไม่สม่ำเสมอ และเบื้องต้น

การวิเคราะห์ความถี่ของเวลา

ฟังก์ชั่นทำงานบนหน้าต่าง
การวิเคราะห์ฟูเรียร์สำหรับชุดข้อมูลตามเวลาจริงและซับซ้อน
การวิเคราะห์ฟูเรียร์ระยะสั้น
การแปลงฮิลแบร์ตแบบไม่ต่อเนื่อง
การกระจายแบบ Pseudo Wigner-Ville

การสร้างโมเดลชุดข้อมูลตามเวลา

โมเดล ARIMA (ฟังก์ชันการถดถอยแบบไดนามิกและการถ่ายโอนข้อมูล)
โมเดลการปรับเรียบเลขชี้กำลัง
โมเดลส่วนประกอบที่ยังไม่ได้สังเกต
โมเดลพื้นที่สถานะ
โมเดลความต้องการเป็นช่วงๆ ด้วยวิธีการของครอสตัน

การสร้างโมเดลชุดข้อมูลตามเวลาโดยอัตโนมัติ

การผลิตโมเดลชุดข้อมูลตามเวลาอัตโนมัติ
ตัวแปรอินพุตอัตโนมัติและการเลือกเหตุการณ์
เลือกโมเดลโดยอัตโนมัติ
การเพิ่มประสิทธิภาพพารามิเตอร์อัตโนมัติ
การพยากรณ์อัตโนมัติ

การวิเคราะห์สเปกตรัมเอกพจน์ (SSA)

การสลายตัวและการพยากรณ์ SSA แบบตัวแปรเดี่ยว
SSA หลายตัวแปร
SSA อัตโนมัติ

การติดตามพื้นที่ย่อย (SST)

ใช้เทคนิคการตรวจสอบขั้นสูง (การวิเคราะห์สัญญาณ) สำหรับชุดข้อมูลตามเวลาหลายชุด

การประเมินช่วงเวลา

ประเมินตัวแปรในตารางอินพุตเพื่อความเหมาะสมเป็นตัวแปรรหัสเวลา
ประเมินว่าข้อกำหนดช่วงเวลาเหมาะสมกับค่าวันที่/วันที่เวลาหรือหมายเลขสังเกตการณ์ที่ใช้ในการจัดทำดัชนีชุดข้อมูลตามเวลาได้ดีเพียงใด
สามารถระบุอย่างชัดเจนว่าเป็นอินพุตของ PROC TSMODEL หรืออนุมานโดยขั้นตอนตามค่าของตัวแปร ID เวลา

โปรแกรมสำหรับดูชุดข้อมูลตามเวลาและการพยากรณ์

มีโปรแกรมสำหรับดูชุดข้อมูลตามเวลาด้วยชุดแอ็ตทริบิวต์ชุดข้อมูลตามเวลาที่สร้างไว้ล่วงหน้า
มีโปรแกรมสำหรับดูการพยากรณ์พร้อมชุดแอตทริบิวต์การพยากรณ์ที่สร้างไว้ล่วงหน้า
รวมโครงร่างซองจดหมายสำหรับการดูชุดข้อมูลหลายชุด
ให้คุณใช้ตัวกรองแบบหลายมุมกับสถิติเชิงพรรณนา คุณสมบัติของโมเดล และสถิติของความพอดี

แพ็คเกจลดขนาดไดเมนชันชุดข้อมูลตามเวลา (TDR)

เปิดใช้งานการลดขนาดของชุดข้อมูลตามเวลาการทำธุรกรรมเพื่อเตรียมการสำหรับการขุดชุดข้อมูลตามเวลา
- จากนั้น ให้คุณใช้เทคนิคการทำเหมืองข้อมูลแบบดั้งเดิม (เช่น การจัดกลุ่ม การจำแนก ทรีการตัดสินใจ และอื่นๆ)

การแชร์โครงการ

โครงการใน Model Studio ใช้คุณสมบัติการแชร์โครงการของ SAS Drive
เมื่อใช้ร่วมกับสิทธิ์ในการอ่าน/เขียน ผู้ใช้ห��n��ายคนจะสามารถเปลี่ยนแปลงแก้ไขโครงการได้พร้อมกัน
นอกจากนั้นยังสามารถแชร์โครงการด้วยการเข้าถึงแบบอ่านอย่างเดียวได้ด้วย

กระจาย เข้าถึงได้ และพร้อมใช้งานบนคลาวด์

ทำงานบน SAS^® Viya^®ซึ่งเป็นเอนจิ้นในหน่วยความจำที่ปรับขนาดได้และกระจายได้
กระจายงานวิเคราะห์และข้อมูลไปยังโหนดการคำนวณหลายๆโหนด
ให้ผู้ใช้หลายรายสามารถเข้าถึงข้อมูลในหน่วยความจำได้อย่างรวดเร็วพร้อมๆ กัน
รวมความคงทนต่อความเสียหายเพื่อใช้งานได้ตลอดเวลา
ให้คุณนำขุมพลังของการวิเคราะห์ SAS ไปใช้กับแอปพลิเคชันอื่นๆ โดยใช้ SAS Viya REST API

รายการคุณสมบัติของ SAS Visual Forecasting

การวิเคราะห์ชุดข้อมูลตามเวลาขนาดใหญ่และการพยากรณ์ในสภาพแวดล้อมแบบกระจาย

โหนดกลยุทธ์การสร้างโมเดลเครือข่ายประสาทเทียม/การเรียนรู้ของเครื่อง

ความสามารถในการเรียนรู้เชิงลึก

การสร้างโมเดลแบบอินเทอร์แอคทีฟ

สิ่งอำนวยความสะดวกแทนที่ที่ยืดหยุ่น

การสร้างโมเดลกลุ่ม

การผสานการทำงานกับโอเพ่นซอร์ส

การสร้างโมเดลลำดับชั้น

การแบ่งส่วนอัตโนมัติตามรูปแบบข้อมูล

แอตทริบิวต์ที่ได้รับ

การวิเคราะห์ชุดข้อมูลตามเวลา

การวิเคราะห์ความถี่ของเวลา

การสร้างโมเดลชุดข้อมูลตามเวลา

การสร้างโมเดลชุดข้อมูลตามเวลาโดยอัตโนมัติ

การวิเคราะห์สเปกตรัมเอกพจน์ (SSA)

การติดตามพื้นที่ย่อย (SST)

การประเมินช่วงเวลา

โปรแกรมสำหรับดูชุดข้อมูลตามเวลาและการพยากรณ์

แพ็คเกจลดขนาดไดเมนชันชุดข้อมูลตามเวลา (TDR)

การแชร์โครงการ

กระจาย เข้าถึงได้ และพร้อมใช้งานบนคลาวด์

ติดตามเรา

คืออะไร...