手机站:/m

香港服务器_cd京淘客-n服务器托管_怎么买

时间:2021-09-03 08:03编辑:淘客樊里来源:淘客樊里当前位置:主页 > 云存储 >

香港服务器_cdn服务器托管_怎么买

设定场景

在简介博客中,我解释了COVID-19的传播如何影响全球企业规划和预测未来的能力。

我描述了三种不同的场景:次要的,持久的或主要的。

我想通过具体的例子来说明如何在SAP Analytics Cloud中处理这些场景。

对于今天的事件,我将从与次要影响对应的场景开始。

次要影响场景

这里是对该场景的快速内存刷新。

在该场景中,几个月后,业务以某种方式"照常"恢复,影响仍限于明确确定的时期,如图所示,企业软件正版化,

必须彻底检查"新常态"对应于先前条件可能演变的假设。

此处建议的最佳实践包括在创建时间序列模型时过滤出对应于受影响时期的月份或季度。

如果我们假设公司的业务在Q2和Q3 2020中受到影响,相应的月份或季度需要从基础数据基础中移除以创建预测模型。在本例中,2020年第4季度将根据截至2020年第1季度的数据历史进行预测。

在本博客的下一节中,我将介绍如何在SAP Analytics Cloud中实现这一点—使用Smart Predict或。在即将发布的博客中,我们将为图表中提供的时间序列预测功能提供一个类似的示例场景。

案例研究

我使用的数据源与1996年1月至2020年2月美国国内乘客乘坐飞机的演变有关。

数据源为美国交通部,更确切地说是交通统计局。来源数据是通过这个网站提供的。

请注意,预测人数的规模(乘客登机)是以百万为单位的每年。

如您所见,在2001年的最后三分之一和2002年全年,由于9/11恐怖袭击和对国内乘客的影响,乘客登机人数有所下降接下来几个月的流量

放大到1996-2004年间,2001年和2002年的具体影响可以看得更详细。

与我在简介博客中描述的一致,指南包括筛选出与中断期相对应的数据点。

我想说明这如何有效地提高预测的准确性,通过比较使用未过滤数据的预测模型的精度和使用过滤数据的预测模型的精度。

使用智能预测–使用未过滤数据创建基线预测模型

在第一步,我从一个代表我的基线的预测场景开始。

我用智能预测创建一个时间序列预测场景。

我用我神奇的时间旅行机。我在2002年底回到过去,我想每月预测2003年全年。

我使用2002年底之前的时间序列的原始数据,预测2003年全年-你可以看到,我的最后一次观察是在2002年底,我要求提前12次预测。

我用来训练的观察范围预测模型从1996年1月到2002年12月。2002年12月的实际数据是我的预测模型从整个时间序列中知道的最后一个数据点。

在查看时间序列模型时,公众号返利系统,我注意到一些事情:

时间序列模型(地平线宽MAPE)的精度误差很低。换言之,预测模型具有良好的精度水平——预测预测(2003年期间)的估计误差为7.64%。预测模型很难捕捉到从2001年9月到2002年初的时间段。例如,大数据的解决方案,我可以注意到2001年9月被检测为异常值(红点),以及这一时期的实际值(绿色曲线)和预测值(蓝色曲线)之间的距离。

我可以更进一步,物联网公司,看看Smart Predict如何将信号分解为趋势、周期和波动,使用信号分解表示。

智能预测创建的时间序列模型由两部分组成:

线性趋势(实际上是常数)一个周期

乘客乘飞机的数量受一年中某个月的影响很大,乘飞机通常在7月/8月(夏季旅行)较高,1月/2月较低。

Smart Predict很好地捕捉到了总体格局。同样可以注意到,信号(实际值,绿色曲线)在2001年末和2002年初的表现非常不同(注意上面绿色曲线的下降)。

我得到了2003年的预测和检测到的异常值。预测模型对2001年9月的预测与实际情况的差异是1300万个计划(30543万对431.22亿)。

点击几下,我就可以创建一个故事来报告实际情况(棕色)和预测结果(绿色)。我创建了一个计算的度量值,它对应于实际值和预测值之间的绝对差(红色)。我注意到2003年6月、7月、10月和12月的预测误差较高。

使用智能预测–创建预测模型并过滤中断的月份

我现在要做的是创建第二个时间序列模型,云呢拿,看看过滤是否有助于减少预测误差。我想过滤掉2001年9月到2002年4月的时间段对应的值。

我有不同的方法来实现数据过滤。一种方法是在我将基本CSV文件获取到SAP Analytics Cloud之前修改它。

最后,我认为尝试新的数据集争用功能很酷,该功能将在SAP Analytics Cloud的第三季度发布中提供给我们的客户。

我排除了我所做的特定月份(数据集行)不想聪明的预测考虑。正如您在下面看到的,数据集值从2001年8月跳到2002年5月。

一旦我手头有了经过过滤的数据集,生成预测就很简单了。我使用与以前类似的设置,只更改了基础数据源。

我可以在主预测页中检查新的预测模型:

模型精度误差已降低–从7,64%降至4,33%。我可以看到2003年不同月份的预测(蓝色曲线)在视觉上似乎更接近实际值(绿色曲线)。

上一篇阿里云_花桥淘客放单-网站建设_0元

下一篇免备案CDN_如何使用淘客app定制-阿里云服务器_折扣

云市场知识本月排行

云市场知识精选