預測統計詳細資料

預測執行會產生預測及預測統計詳細資料。 預測統計詳細資料位於每一個視覺化底端的資料匣中。 在視覺化中，每一個時間序列都有單一列的統計詳細資料。 只要時間間隔均勻，就會產生預測詳細資料。

預測資訊包含給定時間序列的預測狀態。 當狀態為成功時，其他欄位會提供用於預測的模型及資料的詳細資料。 當狀態為失敗時，部分其他欄位（包括附註）會提供有關失敗原因的詳細資料。 任何失敗的摘要一律會在視覺化警告中提供。

精確度測量

模型精確度測量平均值絕對誤差 (MAE)、平均絕對比例誤差 (MASE)、精確度百分比、均方根誤差 (RMSE)、平均絕對百分比誤差 (MAPE)、赤池資訊準則 (AIC)，是根據用來產生模型的時間序列資料。 所有精確度測量都是基於歷程資料。 精確度測量也可以用作預測精確度的指標，但它們不會延續到將來的值。

平均絕對誤差 (MAE)

計算為模型擬合的值（向前推一步樣本內預測）與觀察到的歷程資料之間的平均絕對差。

平均絕對比例誤差 (MASE)

用於模型精確度的誤差測量。 它是由樸素模型的 MAE 劃分的 MAE。 單純模型是將時間點 t 的值預測為前一個歷程值的模型。 透過此誤差進行縮放調整意味著您可以評估該模型與樸素模型相比的品質程度。 如果 MASE 大於 1，則該模型會比樸素模型更差。 MASE 越低，與樸素模型相比，該模型越好。

精確度百分比（精確度 %）

以適合值為基礎的模型精確度主要指標。 它指定為相對於單純模型的平均絕對誤差扣除百分比。 其計算為 1 扣除 MASE，並且以百分比來表達。 如果 MASE 大於或等於 1，精確度會設為 0%，因為模型相較於單純模型並無改善。 精確度越高，表示相對於單純模型的模型誤差越低。

均方誤差 (MSE)

模型擬合的值與觀察值之間差的平方除以減去模型中參數數目的歷程點數的總和。 模型中的參數數目會從歷程點的數目中減去，使其與無偏差的模型變異估計值一致。

均方根誤差 (RMSE)

MSE 的平方根。 它與觀察到的資料值具有相同的比例。

平均絕對百分比誤差 (MAPE)

模型擬合的值與觀察的資料值之間的平均絕對差百分比。

赤池資訊準則 (AIC)

模型選取測量。 AIC 對具有許多參數的模型進行懲罰，因此嘗試選擇最佳模型，而偏向於較簡單的模型。 AIC 是未調整 MSE 的對數乘以歷程點數及乘以 2 的模型參數和起始平滑狀態數目的總和。

參數

可以使用偵測到的季節性週期以及在選定指數平滑模型中使用的其他參數的估計值。

季節性週期

指數平滑模型中使用的季節性週期中的時步數。

Alpha

指數平滑模型中層次狀態的平滑因數。 較小的 alpha 值會增加平滑量，也就是說，當 alpha 較小時，會考慮更多的歷程。 較大的 alpha 值會減少平滑量，這意味著對更新的觀察值施加了更多的權重。 當 alpha 為 1 時，所有權重都施加在現行的觀察值上。

Beta

指數平滑模型中趨勢狀態的平滑因數。 此參數的行為與 alpha 類似，但是針對趨勢，而非層次狀態。

Gamma

指數平滑模型中季節性狀態的平滑因數。 充當的角色與 alpha 類似，但適用於模型的季節性元件。

Phi

指數平滑模型中的阻尼係數。 長時間的預測可能會導致不切實際的結果，而在一段時間內，有一個阻尼因子來抑制趨勢並產生更保守的預測，是很有用的。

診斷

資訊包括遺漏計數、序列期間、忽略的期數、趨勢強度、季節性強度及日期/時間間隔。

遺漏計數

指出具有遺漏值或遺漏時間點的資料列數，且這些資料列位於第一個和最後一個有效序列值之間。 不包含無效的時間點，也不包含在第一個或最後一個歷程時間點有遺漏值的時間點。

序列期間

指出用於時間序列建模的資料點數目。 只包含在第一個和最後一個有效序列值之間的資料點。

忽略的期數

建置指數平滑模型及計算預測時忽略序列的最後 m 個資料點的整數 m。 還會預測序列未忽略部分結束處的任何遺漏值。 此參數的預設值為 0，這表示沒有遺漏值時會在模型產生中使用所有歷程資料。 最多可能會忽略 100 個點。 忽略的期數會在建置模型時排除資料點，因此預測可能會因為像是最少資料期間需求和遺漏值比例超過 33% 之類的因素而失敗。

趨勢強度

比較原始模型 M 與相同模型（但移除了趨勢元件）。 M 的趨勢強度是模型 M 與移除了趨勢元件的模型 M 之間的精確度差。

季節性強度

比較原始模型 M 與移除了季節元件的相同模型。 M 的季節性強度是模型 M 與移除了季節性元件的模型 M 之間的精確度差。

日期/時間間隔

日期/時間間隔代表依時間排序資料的偵測時間間隔。 依時序進行排序時，時間間隔會被識別為資料中相鄰點之間的最小差。