Microsoft 时序算法

Adventure Works Cycle 公司的管理层希望预测来年的自行车每月销售额。该公司尤其关注的是不同型号的自行车的销售是否彼此相关，一种自行车型号的销售情况是否可用于预测另一种型号的销售情况。通过对过去三年的历史数据使用 Microsoft 时序算法，该公司可以生成一个数据挖掘模型，用于预测未来的自行车销售情况。此外，该公司还可以执行交叉预测，以查看各个自行车型号的销售趋势是否相关。 数据挖掘研究院

Microsoft 决策树算法通过使用自动回归决策树来为模型定型。每个模型都包含一个 KEY TIME 列，该列定义了模型将定义的时间段。该算法将过去的项的可变数目关联到要预测的每个当前项目。 数据挖掘研究院

有关 Microsoft 时序算法如何运行的详细说明，请参阅 Autoregressive Tree Models for Time-Series Analysis。

数据挖掘研究院

可以用两种方式定义 Microsoft 时序模型的输入数据。为了了解第一种方法，请考虑下表中的输入事例：

表中的 TimeID 列包含一个时间标识符，每个日期有两个条目。Product 列定义数据库中的产品。Sales 列说明指定产品一天的毛利润，Volume 列说明仓库中保存的指定产品的数量。在本例中，模型可以包含两个可预测列：Sales 和 Volume。 数据挖掘实验室

此外，时序模型的输入数据可定义为如下表所示：

在上表中，Sales 和 Volume 列分别被拆分成两列，每个列都用产品名称作前缀。结果，TimeID 列中每天只有一个条目。该模型包含了四个可预测列：A_Sales、A_Volume、B_Sales 和 B_Volume。

这两种定义输入数据的方法都会使模型中显示相同信息，而输入事例的格式将改变定义挖掘模型的方式。

时序算法要求要预测的列必须是连续的。每个模型只允许使用一个事例序列。 数据挖掘研究院

Microsoft 时序算法支持特定输入列内容类型、可预测列内容类型和建模标志，这些类型和标志如下表所列。 数据挖掘研究院

所有 Microsoft 算法均支持一些通用的函数。但是，Microsoft 时序算法还支持下表所列的其他函数。 数据挖掘研究院

有关对所有 Microsoft 算法都通用的函数列表，请参阅数据挖掘算法。有关如何使用这些函数的详细信息，请参阅数据挖掘扩展插件 (DMX) 函数参考。

Microsoft 时序算法不支持使用预测模型标记语言 (PMML) 创建挖掘模型。 数据挖掘实验室

Microsoft 时序算法支持多个参数，这些参数可影响生成的挖掘模型的性能和准确性。下表对各参数进行了说明： 数据挖掘研究院

注意：
周期提示对模型质量很敏感。如果给出的提示与实际周期不同，结果会受不良影响。   数据挖掘研究院