Recursos do SAS Visual Forecasting

Análise & previsão de séries temporais em grande escala em um ambiente distribuído

Gera automaticamente grandes quantidades de previsões baseadas em estatísticas em um ambiente distribuído e in-memory.
A linguagem de script permite análises de séries temporais distribuídas e na memória.
Embaralha os dados para que cada série temporal seja copiada na memória de um único nó de computação.
Executa cada série cronológica em um fio de um nó, e cada nó executa o roteiro compilado para cada uma de suas séries cronológicas atribuídas.
É otimizado para a máquina na qual está rodando, para que os usuários não tenham que reescrever o código para máquinas diferentes.

Nós de estratégia de modelagem de rede neural/aprendizado de máquina

Inclui uma estrutura de rede neural da série de painéis com geração automática de recursos e ajuste de hiperparâmetros (autoajuste).
Fornece uma estrutura de múltiplas etapas (rede neural/regressão + séries temporais) para criar uma metodologia de previsão que combina sinais de diferentes tipos de modelos.
Trata de problemas que têm características de séries temporais e relações não lineares entre variáveis dependentes e independentes usando previsão empilhada (rede neural + séries temporais).

Capacidades de deep learning

Produz previsões com a rede neural recorrente (RNN), a rede de unidades de memória de longo prazo (LSTM) e a rede de unidades recorrentes (GRU).
Os dados transacionais são formatados automaticamente para fins de previsão com os métodos de deep learning acima.
A estratégia recursiva é aplicada automaticamente para previsão de várias etapas.

Modelagem interativa

Produza gráficos de análise automaticamente, incluindo ciclos sazonais, função de autocorrelação (ACF), função de autocorrelação parcial (PACF) e teste de probabilidade de ruído branco para séries temporais individuais.
Compare os modelos visualmente e usando a métrica de escolha nas regiões da amostra e fora da amostra.
Desenvolve modelos ARIMA de suavização exponencial personalizados, ARIMA e modelos ARIMA de subconjunto (fatorados) para séries temporais individuais através de uma interface de usuário simples.
Selecione seu próprio modelo de campeões.

Facilidade de substituição flexível

Permite ajustes de previsão personalizados que não são limitados pela estrutura da hierarquia da previsão.
Permite selecionar filtros com base em atributos, tais como localização, marca, categoria, tamanho, cor, sentimento, qualidade, etc.
Permite definir especificações de substituição por filtro e período(s) de tempo para todas as séries de tempo contidas dentro de um filtro.
Inclui filtros de busca facetados.
Permite a desagregação da sobreposição utilizando o modelo de otimização.
Permite a execução de lotes e atualizações de dados incrementais.

Integração com código aberto

Inclui External Language Package (EXTLANG), que distribui código-fonte aberto de Python e R para execução paralela nos nós de trabalho do SAS Viya na nuvem.
Chame as ações analíticas do SAS Visual Forecasting de Python, R, Java, JavaScript e Lua.

Reconciliação hierárquica

Modelos e previsões de cada série na hierarquia individualmente.
Reconcilia as previsões em múltiplos níveis da hierarquia.

Segmentação automática baseada em padrões de dados

Modelo de segmentação pré-construído baseado em padrões de séries temporais, tais como volume, volatilidade e sazonalidade.
Criação automática de pipelines aninhados e configuráveis com uma estratégia de modelagem apropriada para cada segmento selecionado por padrão para o modelo de classificação de demanda pré-construída.
Capacidade de importação de segmentos predefinidos pelos usuários, suportando até 1.000 segmentos.

Atributos derivados

Crie conjuntos predefinidos de atributos derivados, incluindo:
- Atributos das séries cronológicas (mínimo, máximo, médio, ausente, etc.).
- Atributos de previsão (propriedades do modelo, estatísticas de ajuste).
- Atributos de classificação da demanda.
- Atributos de volume/volatilidade.

Análise de séries cronológicas

Análise de autocorrelação.
Análise das correlações cruzadas.
Análise de decomposição e ajuste sazonal.
Análise de séries de contagem.
Testes de diagnóstico para sazonalidade, estacionariedade, intermitência e seleção de ordem ARMA provisória.

Análise de frequência de tempo

Funções de janelas.
Análise de Fourier para séries temporais reais e complexas.
Análise de Fourier a curto prazo.
Discrete Hilbert transform.
Distribuição de Pseudo Wigner-Ville.

Modelagem de séries cronológicas

Modelos ARIMA (funções de regressão dinâmica e de transferência).
Modelos de suavização exponencial.
Modelos de componentes não observados.
Modelos de espaço estatal.
Modelos de demanda intermitente com o método de Croston.

Modelagem automática de séries temporais

Geração automática de modelos de séries temporais.
Variável de entrada automática e seleção de eventos.
Seleção automática do modelo.
Otimização automática dos parâmetros.
Previsão automática.

Análise do espectro singular (SSA)

Decomposição e previsão SSA univariadas.
Multivariada SSA.
SSA automático.

Rastreamento de subespaço (SST)

Realiza técnicas avançadas de monitoramento (análise de sinais) para múltiplas séries temporais.

Avaliação de intervalo de tempo

Avalie uma variável em uma tabela de entrada para que seja adequada como uma variável de identificação de tempo.
Avalia o quão bem uma especificação de intervalo de tempo se ajusta aos valores de data/hora ou números de observação usados para indexar uma série cronológica.
Pode ser especificado explicitamente como entrada no PROC TSMODEL ou inferido pelo procedimento baseado nos valores da variável de identificação do tempo.

Visualizadores de séries temporais & previsões

Fornece um Time Series Viewer com um conjunto predefinido de atributos de séries temporais.
Fornece um Forecast Viewer com um conjunto pré-construído de atributos de previsão.
Inclui gráficos de envelope para visualização de várias séries.
Permite utilizar filtros facetados em estatísticas descritivas, propriedades do modelo e estatísticas de ajuste.

Pacote de redução de dimensão de série temporal (TDR)

Permite a redução das dimensões dos dados das séries temporais transacionais em preparação para a mineração de séries temporais.
- Permite então aplicar técnicas tradicionais de mineração de dados (tais como agrupamento, classificação, árvores de decisão e outras).

Compartilhamento de projetos

Os projetos no Model Studio utilizam o recurso de compartilhamento de projetos do SAS Drive.
Quando compartilhado com acesso de leitura/escrita, vários usuários podem fazer mudanças no projeto ao mesmo tempo.
Como alternativa, os projetos podem ser compartilhados com acesso somente para leitura.

Distribuído, acessível & pronto para a nuvem

Funciona no SAS^® Viya^®, um motor escalável e distribuído em memória.
Distribui tarefas de análise e dados através de múltiplos nós de computação.
Fornece acesso rápido, simultâneo e multiusuário aos dados em memória.
Inclui tolerância a falhas para alta disponibilidade.
Permite adicionar o poder do analytics do SAS a outras aplicações usando SAS Viya REST APIs.

Lista de recursos do SAS Visual Forecasting