tcmnode属性

TCM 节点图标时间因果建模尝试发现时间序列数据中的关键因果关系。在时间因果建模中，您指定一组目标序列，并指定这些目标的一组候选输入。然后，该程序为每个目标建立一个自回归时间序列模型，只包括与目标有最重要因果关系的输入。

表 1。 tcmnode 属性
`tcmnode` 属性	值	属性描述
`custom_fields`	布尔值
`dimensionlist`	[dimension1 ... dimensionN]
`data_struct`	`Multiple` `Single`
`metric_fields`	字段
`both_target_and_input`	[f1 ... fN]
`targets`	[f1 ... fN]
`candidate_inputs`	[f1 ... fN]
`forced_inputs`	[f1 ... fN]
`use_timestamp`	`Timestamp` `Period`
`input_interval`	`None` `Unknown` `Year` `Quarter` `Month` `Week` `Day` `Hour` `Hour_nonperiod` `Minute` `Minute_nonperiod` `Second` `Second_nonperiod`
`period_field`	字符串
`period_start_value`	整数
`num_days_per_week`	整数
`start_day_of_week`	`Sunday` `Monday` `Tuesday` `Wednesday` `Thursday` `Friday` `Saturday`
`num_hours_per_day`	整数
`start_hour_of_day`	整数
`timestamp_increments`	整数
`cyclic_increments`	整数
`cyclic_periods`	列表
`output_interval`	`None` `Year` `Quarter` `Month` `Week` `Day` `Hour` `Minute` `Second`
`is_same_interval`	`Same` `Notsame`
`cross_hour`	布尔值
`aggregate_and_distribute`	列表
`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_meridian` `Linear_trend` `None`
`k_mean_param`	整数
`k_median_param`	整数
`missing_value_threshold`	整数
`conf_level`	整数
`max_num_predictor`	整数
`max_lag`	整数
`epsilon`	号
`threshold`	整数
`is_re_est`	布尔值
`num_targets`	整数
`percent_targets`	整数
`fields_display`	列表
`series_dispaly`	列表
`network_graph_for_target`	布尔值
`sign_level_for_target`	号
`fit_and_outlier_for_target`	布尔值
`sum_and_para_for_target`	布尔值
`impact_diag_for_target`	布尔值
`impact_diag_type_for_target`	`Effect` `Cause` `Both`
`impact_diag_level_for_target`	整数
`series_plot_for_target`	布尔值
`res_plot_for_target`	布尔值
`top_input_for_target`	布尔值
`forecast_table_for_target`	布尔值
`same_as_for_target`	布尔值
`network_graph_for_series`	布尔值
`sign_level_for_series`	号
`fit_and_outlier_for_series`	布尔值
`sum_and_para_for_series`	布尔值
`impact_diagram_for_series`	布尔值
`impact_diagram_type_for_series`	`Effect` `Cause` `Both`
`impact_diagram_level_for_series`	整数
`series_plot_for_series`	布尔值
`residual_plot_for_series`	布尔值
`forecast_table_for_series`	布尔值
`outlier_root_cause_analysis`	布尔值
`causal_levels`	整数
`outlier_table`	`Interactive` `Pivot` `Both`
`rmsp_error`	布尔值
`bic`	布尔值
`r_square`	布尔值
`outliers_over_time`	布尔值
`series_transormation`	布尔值
`use_estimation_period`	布尔值
`estimation_period`	`Times` `Observation`
`observations`	列表
`observations_type`	`Latest` `Earliest`
`observations_num`	整数
`observations_exclude`	整数
`extend_records_into_future`	布尔值
`forecastperiods`	整数
`max_num_distinct_values`	整数
`display_targets`	`FIXEDNUMBER` `PERCENTAGE`
`goodness_fit_measure`	`ROOTMEAN` `BIC` `RSQUARE`
`top_input_for_series`	布尔值
`aic`	布尔值
`rmse`	布尔值
`date_time_field`	字段	时间/日期字段
`auto_detect_lag`	布尔值	此设置指定模型中每个目标每个输入的滞后项数量。
`numoflags`	整数	默认情况下，滞后项的数量根据分析所用的时间间隔自动确定。
`re_estimate`	布尔值	如果您已经生成了一个时间因果模型，请选择此选项以重用为该模型指定的条件设置，而不是构建一个新的模型。
`display_targets`	`"FIXEDNUMBER"` `"PERCENTAGE"`	默认情况下，根据R平方值确定与10个最佳拟合模型相关联的目标的输出。您可以指定不同数量的固定最佳匹配模型，也可以指定最佳匹配模型的百分比。