le sue proprietà

Icona nodo Serie temporali Il nodo Time Series stima il livellamento esponenziale, la media mobile integrata autoregressiva univariata (ARIMA) e i modelli ARIMA multivariati (o funzione di trasferimento) per i dati delle serie temporali e produce previsioni delle prestazioni future.

Tabella 1. proprietà ts
`ts` Proprietà	Valori	Descrizione proprietà
`targets`	campo	Il nodo Serie temporale prevede uno o più target, utilizzando facoltativamente uno o più campi di input come predittori. I campi di frequenza e peso non vengono utilizzati. Per ulteriori informazioni, consultare Proprietà comuni del nodo Modelli .
`candidate_inputs`	[field1 ... fieldN]	Campi di input o predittivi utilizzati dal modello.
`use_period`	indicatore
`date_time_field`	campo
`input_interval`	`None` `Unknown` `Year` `Quarter` `Month` `Week` `Day` `Hour` `Hour_nonperiod` `Minute` `Minute_nonperiod` `Second` `Second_nonperiod`
`period_field`	campo
`period_start_value`	intero
`num_days_per_week`	intero
`start_day_of_week`	`Sunday` `Monday` `Tuesday` `Wednesday` `Thursday` `Friday` `Saturday`
`num_hours_per_day`	intero
`start_hour_of_day`	intero
`timestamp_increments`	intero
`cyclic_increments`	intero
`cyclic_periods`	elenco
`output_interval`	`None` `Year` `Quarter` `Month` `Week` `Day` `Hour` `Minute` `Second`
`is_same_interval`	indicatore
`cross_hour`	indicatore
`aggregate_and_distribute`	elenco
`aggregate_default`	`Mean` `Sum` `Mode` `Min` `Max`
`distribute_default`	`Mean` `Sum`
`group_default`	`Mean` `Sum` `Mode` `Min` `Max`
`missing_imput`	`Linear_interp` `Series_mean` `K_mean` `K_median` `Linear_trend`
`k_span_points`	intero
`use_estimation_period`	indicatore
`estimation_period`	`Observations` `Times`
`date_estimation`	elenco	Disponibile solo se si utilizza `date_time_field`
`period_estimation`	elenco	Disponibile solo se si utilizza `use_period`
`observations_type`	`Latest` `Earliest`
`observations_num`	intero
`observations_exclude`	intero
`method`	`ExpertModeler` `Exsmooth` `Arima`
`expert_modeler_method`	`ExpertModeler` `Exsmooth` `Arima`
`consider_seasonal`	indicatore
`detect_outliers`	indicatore
`expert_outlier_additive`	indicatore
`expert_outlier_level_shift`	indicatore
`expert_outlier_innovational`	indicatore
`expert_outlier_level_shift`	indicatore
`expert_outlier_transient`	indicatore
`expert_outlier_seasonal_additive`	indicatore
`expert_outlier_local_trend`	indicatore
`expert_outlier_additive_patch`	indicatore
`consider_newesmodels`	indicatore
`exsmooth_model_type`	`Simple` `HoltsLinearTrend` `BrownsLinearTrend` `DampedTrend` `SimpleSeasonal` `WintersAdditive` `WintersMultiplicative` `DampedTrendAdditive` `DampedTrendMultiplicative` `MultiplicativeTrendAdditive` `MultiplicativeSeasonal` `MultiplicativeTrendMultiplicative` `MultiplicativeTrend`	Specifica il metodo di livellamento esponenziale. L'impostazione predefinita è " `Simple`".
`futureValue_type_method`	`Compute` `specify`	Se si utilizza il metodo `Compute` , il sistema calcola i valori futuri per il periodo di previsione per ciascun predittore. Per ogni predittore, è possibile scegliere da un elenco di funzioni (vuoto, media dei punti recenti, valore più recente) o utilizzare `specify` per inserire manualmente i valori. Per specificare singoli campi e proprietà, utilizzare la proprietà " `extend_metric_values` ". Ad esempio: `set :ts.futureValue_type_method="specify" set :ts.extend_metric_values=[{'Market_1','USER_SPECIFY', [1,2,3]}, {'Market_2','MOST_RECENT_VALUE', ''},{'Market_3','RECENT_POINTS_MEAN', ''}]`
`exsmooth_transformation_type`	`None` `SquareRoot` `NaturalLog`
`arima.p`	intero
`arima.d`	intero
`arima.q`	intero
`arima.sp`	intero
`arima.sd`	intero
`arima.sq`	intero
`arima_transformation_type`	`None` `SquareRoot` `NaturalLog`
`arima_include_constant`	indicatore
`tf_arima.p.` nomecampo	intero	Per funzioni di trasferimento.
`tf_arima.d.` nomecampo	intero	Per funzioni di trasferimento.
`tf_arima.q.` nomecampo	intero	Per funzioni di trasferimento.
`tf_arima.sp.` nomecampo	intero	Per funzioni di trasferimento.
`tf_arima.sd.` nomecampo	intero	Per funzioni di trasferimento.
`tf_arima.sq.` nomecampo	intero	Per funzioni di trasferimento.
`tf_arima.delay.` nomecampo	intero	Per funzioni di trasferimento.
`tf_arima.transformation_type.` nomecampo	`None` `SquareRoot` `NaturalLog`	Per funzioni di trasferimento.
`arima_detect_outliers`	indicatore
`arima_outlier_additive`	indicatore
`arima_outlier_level_shift`	indicatore
`arima_outlier_innovational`	indicatore
`arima_outlier_transient`	indicatore
`arima_outlier_seasonal_additive`	indicatore
`arima_outlier_local_trend`	indicatore
`arima_outlier_additive_patch`	indicatore
`max_lags`	intero
`cal_PI`	indicatore
`conf_limit_pct`	numero reale
`events`	Campi
`continue`	indicatore
`scoring_model_only`	indicatore	Utilizzare per modelli con un numero molto elevato (decine di migliaia) di serie temporali.
`forecastperiods`	intero
`extend_records_into_future`	indicatore
`extend_metric_values`	Campi	Consente di fornire valori futuri per i predittori.
`conf_limits`	indicatore
`noise_res`	indicatore
`max_models_output`	intero	Controlla quanti modelli vengono mostrati in uscita. L'impostazione predefinita è " `10`". I modelli non vengono mostrati in output se il numero totale di modelli costruiti supera questo valore. I modelli sono ancora disponibili per la marcatura.
`missing_value_threshold`	doppio	Calcola le misure di qualità dei dati per la variabile temporale e per i dati di input corrispondenti a ciascuna serie temporale. Se il punteggio di qualità dei dati è inferiore a questa soglia, le serie temporali corrispondenti verranno eliminate.
`compute_future_values_input`	booleano	`False`: Calcola valori futuri di input. `True`: Selezionare i campi di cui si desidera aggiungere valori ai dati.