รายการคุณสมบัติของ SAS Visual Forecasting
การวิเคราะห์ชุดข้อมูลตามเวลาขนาดใหญ่และการพยากรณ์ในสภาพแวดล้อมแบบกระจาย
- สร้างการคาดการณ์ตามสถิติในปริมาณมากโดยอัตโนมัติในสภาพแวดล้อมแบบกระจายในหน่วยความจำ
- ภาษาสคริปต์ช่วยให้สามารถวิเคราะห์ชุดข้อมูลตามเวลาแบบกระจายในหน่วยความจำได้
- สับเปลี่ยนข้อมูลเพื่อให้แต่ละชุดข้อมูลตามเวลาถูกคัดลอกลงในหน่วยความจำของโหนดการคำนวณเดียว
- ดำเนินการชุดข้อมูลตามเวลาแต่ละชุดบนเธรดหนึ่งของโหนด และแต่ละโหนดดำเนินการสคริปต์ที่คอมไพล์สำหรับแต่ละชุดข้อมูลตามเวลาที่กำหนด
- ได้รับการปรับให้เหมาะสมสำหรับเครื่องที่กำลังทำงานอยู่ ดังนั้นผู้ใช้จึงไม่ต้องเขียนโค้ดใหม่สำหรับเครื่องอื่น
โหนดกลยุทธ์การสร้างโมเดลเครือข่ายประสาทเทียม/การเรียนรู้ของเครื่อง
- รวมเฟรมเวิร์กเครือข่ายประสาทซีรีส์พาเนลพร้อมการสร้างคุณสมบัติอัตโนมัติและความสามารถในการปรับไฮเปอร์พารามิเตอร์ (การปรับอัตโนมัติ)
- ให้เฟรมเวิร์กแบบหลายขั้นตอน (โครงข่ายประสาทเทียม/การถดถอย + ชุดข้อมูลตามเวลา) สำหรับการสร้างวิธีการพยากรณ์ที่รวมสัญญาณจากโมเดลประเภทต่างๆ
- แก้ไขปัญหาที่มีทั้งลักษณะชุดข้อมูลตามเวลาและความสัมพันธ์แบบไม่เชิงเส้นระหว่างตัวแปรตามและตัวแปรอิสระโดยใช้การพยากรณ์โมเดลแบบซ้อน (โครงข่ายประสาทเทียม + ชุดข้อมูลตามเวลา)
ความสามารถในการเรียนรู้เชิงลึก
- สร้างการคาดการณ์ด้วยโครงข่ายประสาทเทียมแบบเกิดซ้ำ (RNN) เครือข่ายหน่วยหน่วยความจำระยะสั้นแบบยาว (LSTM) และเครือข่ายหน่วยหน่วยความจำระยะสั้นแบบเกตด์ (GRU)
- ข้อมูลธุรกรรมได้รับการจัดรูปแบบโดยอัตโนมัติเพื่อวัตถุประสงค์ในการพยากรณ์ด้วยวิธีการเรียนรู้เชิงลึกข้างต้น
- กลยุทธ์แบบเรียกซ้ำจะใช้โดยอัตโนมัติสำหรับการพยากรณ์แบบหลายขั้นตอน
การสร้างโมเดลแบบอินเทอร์แอคทีฟ
- สร้างแผนการวิเคราะห์โดยอัตโนมัติ รวมถึงรอบฤดูกาล ฟังก์ชันความสัมพันธ์อัตโนมัติ (ACF) ฟังก์ชันความสัมพันธ์อัตโนมัติบางส่วน (PACF) และการทดสอบความน่าจะเป็นของสัญญาณรบกวนสีขาวสำหรับชุดข้อมูลตามเวลาแต่ละรายการ
- เปรียบเทียบโมเดลด้วยสายตาและโดยใช้เมตริกที่เลือกในภูมิภาคตัวอย่างและนอกตัวอย่าง
- พัฒนาการปรับเรียบเลขชี้กำลังแบบกำหนดเอง โมเดล ARIMA และ ARIMA แบบเซ็ตย่อย (แยกแฟกเตอร์) สำหรับชุดข้อมูลตามเวลาแต่ละรายการผ่านส่วนต่อประสานผู้ใช้ที่เรียบง่าย
- เลือกโมเดลที่ชนะเลิศของคุณเอง
สิ่งอำนวยความสะดวกแทนที่ที่ยืดหยุ่น
- เปิดใช้งานการปรับปรุงการพยากรณ์แบบกำหนดเองที่ไม่ถูกจำกัดโดยโครงสร้างของลำดับชั้นการพยากรณ์
- ให้คุณเลือกตัวกรองตามแอตทริบิวต์ เช่น สถานที่ แบรนด์ หมวดหมู่ ขนาด สี ความคิดเห็น คุณภาพ ฯลฯ
- ให้คุณกำหนดข้อมูลจำเพาะแทนที่ตามตัวกรองและช่วงเวลาสำหรับชุดข้อมูลตามเวลาทั้งหมดที่อยู่ในตัวกรอง
- รวมตัวกรองการค้นหาแบบหลายแง่มุม
- อนุญาตให้แยกการแทนที่โดยใช้โมเดลการปรับให้เหมาะสม
- เปิดใช้งานการดำเนินการเป็นชุดและการอัปเดตข้อมูลส่วนเพิ่ม
การสร้างโมเดลกลุ่ม
- พัฒนากระบวนการพยากรณ์โดยใช้กลยุทธ์การสร้างโมเดลที่แตกต่างกัน และใช้โหนดการสร้างโมเดลกลุ่ม เพื่อเลือกการพยากรณ์ที่มีประสิทธิภาพดีที่สุดสำหรับแต่ละชุด
- เลือกโมเดลที่คุณต้องการรวมไว้ในการสร้างโมเดลกลุ่ม
- ช่วยให้คุณสามารถรวมกลยุทธ์การสร้างโมเดลระดับท้องถิ่นและระดับโลกเข้าด้วยกันในกระบวนการพยากรณ์ได้
การผสานการทำงานกับโอเพ่นซอร์ส
- รวมถึง External Language Package (EXTLANG) ซึ่งช่วยกระจายโค้ดโอเพ่นซอร์สจาก Python และ R เพื่อทำงานคู่ขนานบนโหนดเวิร์กเกอร์ของ SAS Viya บนคลาวด์
- รวมถึงโหนด Distributed Open Source Code ซึ่งช่วยให้ผู้ใช้สามารถรวมโค้ดและอัลกอริทึม Python หรือ R ลงในกระบวนการพยากรณ์ได้อย่างง่ายดาย
- พัฒนาโหนดแบบกำหนดเองที่สามารถนำกลับมาใช้ซ้ำได้ด้วยเทคนิคการพยากรณ์แบบโอเพ่นซอร์สสำหรับทุกพื้นที่ทางธุรกิจ
- เรียกการดำเนินการวิเคราะห์ SAS Visual Forecasting จาก Python, R, Java, JavaScript และ Lua
การสร้างโมเดลลำดับชั้น
- พัฒนากระบวนการทำงานแบบปรับแต่งได้เพื่อให้สามารถวิเคราะห์และสร้างโมเดลเชิงลึกสำหรับแต่ละระดับของลำดับชั้นได้
- ปรับสมดุลการพยากรณ์โดยอัตโนมัติในทุกระดับของลำดับชั้น
การแบ่งส่วนอัตโนมัติตามรูปแบบข้อมูล
- เทมเพลตการแบ่งส่วนที่สร้างไว้ล่วงหน้าตามรูปแบบชุดข้อมูลตามเวลา เช่น ปริมาณ ความผันผวน และฤดูกาล
- การสร้างไปป์ไลน์ที่ซ้อนกันและกำหนดค่าได้โดยอัตโนมัติด้วยกลยุทธ์การสร้างโมเดลที่เหมาะสมสำหรับแต่ละเซ็กเมนต์ที่เลือกตามค่าเริ่มต้นสำหรับเทมเพลตการจำแนกความต้องการที่สร้างไว้ล่วงหน้า
- ความสามารถในการนำเข้ากลุ่มที่กำหนดไว้ล่วงหน้าโดยผู้ใช้ รองรับได้ถึง 1,000 กลุ่ม
แอตทริบิวต์ที่ได้รับ
- สร้างชุดแอตทริบิวต์ที่ได้รับที่กำหนดไว้ล่วงหน้า รวมถึง:
- แอตทริบิวต์ชุดข้อมูลตามเวลา(ต่ำสุด สูงสุด ค่าเฉลี่ย ขาดหายไป ฯลฯ)
- แอตทริบิวต์การพยากรณ์ (คุณสมบัติของโมเดล สถิติความพอดี)
- แอตทริบิวต์การจัดประเภทความต้องการ
- แอตทริบิวต์ปริมาณ / ความผันผวน
การวิเคราะห์ชุดข้อมูลตามเวลา
- การวิเคราะห์ความสัมพันธ์อัตโนมัติ
- การวิเคราะห์ความสัมพันธ์ข้าม
- การวิเคราะห์การสลายตัวและการปรับสภาพตามฤดูกาล
- การวิเคราะห์ชุดนับ
- การทดสอบเพื่อการวินิจฉัยสำหรับการเลือกคำสั่ง ARMA ตามฤดูกาล ความคงที่ ความไม่สม่ำเสมอ และเบื้องต้น
การวิเคราะห์ความถี่ของเวลา
- ฟังก์ชั่นทำงานบนหน้าต่าง
- การวิเคราะห์ฟูเรียร์สำหรับชุดข้อมูลตามเวลาจริงและซับซ้อน
- การวิเคราะห์ฟูเรียร์ระยะสั้น
- การแปลงฮิลแบร์ตแบบไม่ต่อเนื่อง
- การกระจายแบบ Pseudo Wigner-Ville
การสร้างโมเดลชุดข้อมูลตามเวลา
- โมเดล ARIMA (ฟังก์ชันการถดถอยแบบไดนามิกและการถ่ายโอนข้อมูล)
- โมเดลการปรับเรียบเลขชี้กำลัง
- โมเดลส่วนประกอบที่ยังไม่ได้สังเกต
- โมเดลพื้นที่สถานะ
- โมเดลความต้องการเป็นช่วงๆ ด้วยวิธีการของครอสตัน
การสร้างโมเดลชุดข้อมูลตามเวลาโดยอัตโนมัติ
- การผลิตโมเดลชุดข้อมูลตามเวลาอัตโนมัติ
- ตัวแปรอินพุตอัตโนมัติและการเลือกเหตุการณ์
- เลือกโมเดลโดยอัตโนมัติ
- การเพิ่มประสิทธิภาพพารามิเตอร์อัตโนมัติ
- การพยากรณ์อัตโนมัติ
การวิเคราะห์สเปกตรัมเอกพจน์ (SSA)
- การสลายตัวและการพยากรณ์ SSA แบบตัวแปรเดี่ยว
- SSA หลายตัวแปร
- SSA อัตโนมัติ
การติดตามพื้นที่ย่อย (SST)
- ใช้เทคนิคการตรวจสอบขั้นสูง (การวิเคราะห์สัญญาณ) สำหรับชุดข้อมูลตามเวลาหลายชุด
การประเมินช่วงเวลา
- ประเมินตัวแปรในตารางอินพุตเพื่อความเหมาะสมเป็นตัวแปรรหัสเวลา
- ประเมินว่าข้อกำหนดช่วงเวลาเหมาะสมกับค่าวันที่/วันที่เวลาหรือหมายเลขสังเกตการณ์ที่ใช้ในการจัดทำดัชนีชุดข้อมูลตามเวลาได้ดีเพียงใด
- สามารถระบุอย่างชัดเจนว่าเป็นอินพุตของ PROC TSMODEL หรืออนุมานโดยขั้นตอนตามค่าของตัวแปร ID เวลา
โปรแกรมสำหรับดูชุดข้อมูลตามเวลาและการพยากรณ์
- มีโปรแกรมสำหรับดูชุดข้อมูลตามเวลาด้วยชุดแอ็ตทริบิวต์ชุดข้อมูลตามเวลาที่สร้างไว้ล่วงหน้า
- มีโปรแกรมสำหรับดูการพยากรณ์พร้อมชุดแอตทริบิวต์การพยากรณ์ที่สร้างไว้ล่วงหน้า
- รวมโครงร่างซองจดหมายสำหรับการดูชุดข้อมูลหลายชุด
- ให้คุณใช้ตัวกรองแบบหลายมุมกับสถิติเชิงพรรณนา คุณสมบัติของโมเดล และสถิติของความพอดี
แพ็คเกจลดขนาดไดเมนชันชุดข้อมูลตามเวลา (TDR)
- เปิดใช้งานการลดขนาดของชุดข้อมูลตามเวลาการทำธุรกรรมเพื่อเตรียมการสำหรับการขุดชุดข้อมูลตามเวลา
- จากนั้น ให้คุณใช้เทคนิคการทำเหมืองข้อมูลแบบดั้งเดิม (เช่น การจัดกลุ่ม การจำแนก ทรีการตัดสินใจ และอื่นๆ)
การแชร์โครงการ
- โครงการใน Model Studio ใช้คุณสมบัติการแชร์โครงการของ SAS Drive
- เมื่อใช้ร่วมกับสิทธิ์ในการอ่าน/เขียน ผู้ใช้หลายคนจะสามารถเปลี่ยนแปลงแก้ไขโครงการได้พร้อมกัน
- นอกจากนั้นยังสามารถแชร์โครงการด้วยการเข้าถึงแบบอ่านอย่างเดียวได้ด้วย
กระจาย เข้าถึงได้ และพร้อมใช้งานบนคลาวด์
- ทำงานบน SAS® Viya®ซึ่งเป็นเอนจิ้นในหน่วยความจำที่ปรับขนาดได้และกระจายได้
- กระจายงานวิเคราะห์และข้อมูลไปยังโหนดการคำนวณหลายๆโหนด
- ให้ผู้ใช้หลายรายสามารถเข้าถึงข้อมูลในหน่วยความจำได้อย่างรวดเร็วพร้อมๆ กัน
- รวมความคงทนต่อความเสียหายเพื่อใช้งานได้ตลอดเวลา
- ให้คุณนำขุมพลังของการวิเคราะห์ SAS ไปใช้กับแอปพลิเคชันอื่นๆ โดยใช้ SAS Viya REST API