更新时间：2022-02-22 GMT+08:00
时间序列预测
流数据处理中经常需要对于时间序列数据进行建模和预测，建模是指提取数据中有用的统计信息和数据特征，预测是指使用模型对未来的数据进行推测。DLI服务提供了一系列随机线性模型，帮助用户在线实时进行模型的建模和预测。
ARIMA (Non-Seasonal)
ARIMA（Auto-Regressive Integrated Moving Average）是时间序列预测中的经典模型，和AR/MA/ARMA模型之间联系紧密。
- AR/MA/ARMA适用于平稳序列 (stationary)
- AR(p)：自回归模型，当前值可以描述为p个之前值的线性组合。利用线性组合的权值即可预测下一个值。
- MA(q)：移动平均模型，当前值可以描述为序列均值加上q个之前值的白噪声的线性组合。利用线性组合的权值也可预测下一个值。
- ARMA(p, q)：自回归移动平均模型，综合了AR和MA两个模型的优势，在ARMA模型中，自回归过程负责量化当前数据与前期数据之间的关系，移动平均过程负责解决随机变动项的求解问题，因此，该模型比AR/MA更为有效和常用。
- ARIMA适用于非平稳序列 (non-stationary)。ARIMA(p, q, d)中p为自回归项数，q为滑动平均项数，d为使之成为平稳序列所做的差分次数（阶数）。
语法格式
1 2 3 4 5 |
AR_PRED(field, degree)：使用AR模型预测新数据。
AR_COEF(field, degree)：返回AR模型的权值。
ARMA_PRED(field, degree)：使用ARMA模型预测新数据。
ARMA_COEF(field, degree)：返回ARMA模型的权值。
ARIMA_PRED(field, degree, derivativeOrder)：使用ARIMA预测新数据。
|
|
参数 |
是否必选 |
说明 |
默认值 |
|---|---|---|---|
|
field |
是 |
数据在数据流中的字段名。 |
- |
|
degree |
否 |
指定使用之前数据项的个数，当前实现中限定p = q = degree。 |
5 |
|
derivativeOrder |
否 |
指定差分次数，通常设置为1或者2。 |
1 |
示例
分别使用AR，ARMA，ARIMA结合窗口进行时间序列预测。
1 2 3 4 5 |
SELECT b,
AR_PRED(b) OVER (ORDER BY rowtime ROWS BETWEEN 5 PRECEDING AND CURRENT ROW) AS ar,
ARMA_PRED(b) OVER (ORDER BY rowtime ROWS BETWEEN 5 PRECEDING AND CURRENT ROW) AS arma,
ARIMA_PRED(b) OVER (ORDER BY rowtime ROWS BETWEEN 5 PRECEDING AND CURRENT ROW) AS arima
FROM MyTable
|
Holt Winters
Holt Winters算法是Exponential smoothing方法中的一种，主要特点是可以捕捉时间序列中的季节性趋势。
语法格式
1 |
HOLT_WINTERS(field, seasonality, forecastOrder)
|
|
参数 |
是否必选 |
说明 |
|---|---|---|
|
field |
是 |
数据在数据流中的字段名。 |
|
seasonality |
是 |
季节性变化的周期。例如数据点是按天采集，季节性周期是一周，则seasonality为7。 |
|
forecastOrder |
否 |
指定需要预测的元素。 当forecastOrder为1，预测下一个元素。 当forecastOrder为2，预测下下一个元素。默认值为1。 使用此参数时需要保证over窗口的大小大于设置的forecastOrder。 |
示例
使用HOLT WINTERS函数结合窗口进行时间序列预测。
1 2 3 4 |
SELECT b,
HOLT_WINTERS(b, 5) OVER (ORDER BY rowtime ROWS BETWEEN 5 PRECEDING AND CURRENT ROW) AS hw1,
HOLT_WINTERS(b, 5, 2) OVER (ORDER BY rowtime ROWS BETWEEN 5 PRECEDING AND CURRENT ROW) AS hw2,
FROM MyTable
|
父主题： StreamingML
