Funciones de SAS Visual Forecasting

Análisis y pronóstico de series temporales a gran escala en un entorno distribuido

Genera automáticamente grandes cantidades de pronósticos basados en estadísticas en un entorno distribuido en memoria.
El lenguaje de secuencias de comandos permite el análisis de series temporales distribuidas en memoria.
Mezcla los datos para que cada serie temporal se copie en la memoria de un único nodo informático.
Ejecuta cada serie temporal en un subproceso de un nodo y cada nodo ejecuta el script compilado para cada una de sus series temporales asignadas.
Está optimizado para la máquina en la que se ejecuta, por lo que los usuarios no tienen que volver a escribir el código para diferentes máquinas.

Nodos de estrategia de modelado de red neuronal/machine learning

Incluye un marco de red neuronal de serie de paneles con capacidades de generación automática de características y ajuste de hiperparámetros (ajuste automático).
Proporciona un marco de múltiples etapas (red neuronal/regresión + serie temporal) para crear una metodología de pronóstico que combina señales de diferentes tipos de modelos.
Aborda problemas que tienen tanto características de series temporales como relaciones no lineales entre variables dependientes e independientes mediante el uso de pronósticos de modelos apilados (red neuronal + series temporales).

Capacidades de deep learning

Produzca pronósticos con la red neuronal recurrente (RNN), la red de unidades de memoria a corto plazo (LSTM) y la red de unidades recurrentes (GRU).
Los datos transaccionales se formatean automáticamente con fines de previsión con los métodos de deep learning anteriores.
La estrategia recursiva se aplica automáticamente para la previsión de varios pasos.

Modelado interactivo

Produzca automáticamente gráficos de análisis, incluidos ciclos estacionales, función de autocorrelación (ACF), función de autocorrelación parcial (PACF) y prueba de probabilidad de ruido blanco para series temporales individuales.
Compare modelos visualmente y utilizando la métrica de su elección en las regiones dentro y fuera de la muestra.
Desarrolle modelos personalizados de suavizado exponencial, ARIMA y subconjunto (factorizado) ARIMA para series de tiempo individuales a través de una interfaz de usuario simple.
Seleccione sus propios campeones modelo.

Facilidad de anulación flexible

Habilita ajustes de pronósticos personalizados que no están limitados por la estructura de la jerarquía de pronóstico.
Permite seleccionar filtros basados en atributos, como ubicación, marca, categoría, tamaño, color, opinión, calidad, etc.
Permite definir especificaciones de anulación por filtro y período(s) de tiempo para todas las series de tiempo contenidas dentro de un filtro.
Incluye filtros de búsqueda por facetas.
Permite la desagregación de anulación mediante el modelo de optimización.
Habilita la ejecución por lotes y las actualizaciones de datos incrementales.

Integración con código abierto

Incluye paquete de lenguaje externo (EXTLANG), que distribuye código fuente abierto de Python y R para ejecutarse en paralelo en los nodos trabajadores de SAS Viya en la nube.
Llame a las acciones analíticas de SAS Visual Forecasting desde Python, R, Java, JavaScript y Lua.

Conciliación jerárquica

Modela y pronostica cada serie en la jerarquía individualmente.
Concilia pronósticos en múltiples niveles de la jerarquía.

Segmentación automática basada en patrones de datos

Plantilla de segmentación preconstruida basada en patrones de series temporales como volumen, volatilidad y estacionalidad.
Creación automática de canalizaciones anidadas y configurables con una estrategia de modelado adecuada para cada segmento seleccionado de forma predeterminada para la plantilla de clasificación de demanda preconstruida.
Capacidad de importar segmentos predefinidos por los usuarios, admitiendo hasta 1000 segmentos.

Atributos derivados

Cree conjuntos predefinidos de atributos derivados, incluidos:
- Atributos de series temporales (mín., máx., media, faltante, etc.).
- Atributos de pronóstico (propiedades del modelo, estadísticas de ajuste).
- Atributos de clasificación de la demanda.
- Atributos de volumen/volatilidad.

Análisis de series temporales

Análisis de autocorrelación.
Análisis de correlación cruzada.
Descomposición estacional y análisis de ajuste.
Análisis de series de conteo.
Pruebas de diagnóstico de estacionalidad, estacionariedad, intermitencia y selección tentativa de órdenes ARMA.

Análisis de frecuencia de tiempo

Funciones de ventana.
Análisis de Fourier para series temporales reales y complejas.
Análisis de Fourier a corto plazo.
Transformada discreta de Hilbert.
Pseudo distribución de Wigner-Ville.

Modelado de series de tiempo

Modelos ARIMA (regresión dinámica y funciones de transferencia).
Modelos de suavizado exponencial.
Modelos de componentes no observados.
Modelos de espacio de estados.
Modelos de demanda intermitente con el método de Croston.

Modelado automático de series de tiempo

Generación automática de modelos de series temporales.
Selección automática de eventos y variables de entrada.
Selección automática de modelo.
Optimización automática de parámetros.
Predicciones automáticas.

Análisis de espectro singular (SSA)

Descomposición y pronóstico univariado SSA.
SSA multivariado.
SSA automático.

Seguimiento subespacial (SST)

Realice técnicas avanzadas de monitoreo (análisis de señales) para múltiples series de tiempo.

Evaluación de intervalos de tiempo

Evalúe una variable en una tabla de entrada para determinar su idoneidad como variable de ID de tiempo.
Evalúe qué tan bien se ajusta una especificación de intervalo de tiempo a los valores de fecha/fechahora o números de observación utilizados para indexar una serie de tiempo.
Puede especificarse explícitamente como entrada para PROC TSMODEL o inferirse mediante el procedimiento en función de los valores de la variable de ID de tiempo.

Espectadores de series temporales y pronósticos

Proporciona un visor de series temporales con un conjunto preconstruido de atributos de series temporales.
Proporciona un visor de pronósticos con un conjunto preconstruido de atributos de pronóstico.
Incluye gráficos envolventes para ver varias series.
Permite usar filtros facetados en estadísticas descriptivas, propiedades del modelo y estadísticas de ajuste.

Paquete de reducción de dimensiones de series temporales (TDR)

Permite la reducción de la dimensión de los datos de series temporales transaccionales en preparación para la minería de series temporales.
- Le permite luego aplicar técnicas tradicionales de minería de datos (como agrupamiento, clasificación, árboles de decisión y otros).

Compartir proyecto

Los proyectos en Model Studio utilizan la función de uso compartido de proyectos de SAS Drive.
Cuando se comparte con acceso de lectura/escritura, varios usuarios pueden realizar cambios en el proyecto al mismo tiempo.
Alternativamente, los proyectos se pueden compartir con acceso de solo lectura.

Distribuido, accesible y listo para la nube

Se ejecuta en SAS^® Viya^®, un motor escalable y distribuido en memoria.
Distribuye tareas de análisis y datos en varios nodos informáticos.
Proporciona acceso rápido, simultáneo y multiusuario a los datos en la memoria.
Incluye tolerancia a fallas para alta disponibilidad.
Permite agregar el poder del análisis de SAS a otras aplicaciones utilizando las API REST de SAS Viya.

Lista de funciones de SAS Visual Forecasting