| Beschriftung | Erläuterung | Datentyp |
Eingabe-Vorhersage-Raum-Zeit-Würfel
| Die Eingabe-Raum-Zeit-Würfel, die die zu vergleichenden Vorhersagen enthalten. Ein Vergleich ist nur möglich, wenn alle Vorhersage-Würfel anhand derselben Original-Zeitseriendaten erstellt werden. | File |
Ausgabe-Features
| Die neue Ausgabe-Feature-Class, die die Positionen des Raum-Zeit-Würfels und die Felder repräsentiert, die die vorhergesagten Werte der ausgewählten Methode für jede Position enthält. Die Pop-ups der Feature-Ausgabe-Diagramme mit den Original-Zeitseriendaten und Vorhersagen sämtlicher Methoden. | Feature Class |
Ausgabe-Raum-Zeit-Würfel
(optional) | Der Ausgabe-Raum-Zeit-Würfel (.nc-Datei), der die Original-Zeitseriendaten mit den Vorhersagen der ausgewählten Methode für jede Position enthält. Das Werkzeug Raum-Zeit-Würfel in 3D visualisieren kann verwendet werden, um alle Original- und vorhergesagten Werte gleichzeitig anzuzeigen. | File |
Mit Validierungsergebnissen auswerten
(optional) | Gibt an, ob die Vorhersagemethode für eine Position anhand des geringsten Validierungs-RMSE oder des geringsten Vorhersage-RMSE ermittelt wird.
| Boolean |
Zusammenfassung
Wählt aus mehreren Vorhersagen für die einzelnen Positionen eines Raum-Zeit-Würfels jeweils das genaueste Ergebnis aus. Hiermit haben Sie die Möglichkeit, mehrere Werkzeuge im Toolset Zeitserienvorhersage mit denselben Zeitseriendaten zu verwenden und für jede Position die beste Vorhersage auszuwählen.
Weitere Informationen zur Funktionsweise des Werkzeugs "Vorhersagen nach Position auswerten"
Abbildung
Verwendung
Sämtliche mit dem Parameter Eingabe-Vorhersage-Raum-Zeit-Würfel angegebenen Raum-Zeit-Würfel müssen mit Werkzeugen im Toolset Zeitserienvorhersage unter Verwendung desselben Eingabe-Raum-Zeit-Würfels erstellt werden.
Für jede Position ermittelt dieses Werkzeug die Vorhersagemethode mit dem kleinsten Validierungs- bzw. Vorhersage-RMSE (Root Mean Square Error). Dies kann dazu führen, dass für nahe beieinander gelegene Positionen unterschiedliche Methoden ermittelt werden. Wenn Ihre Daten beispielsweise die jährliche Bevölkerung in verschiedenen Landkreisen zeigen, kann für einen Landkreis möglicherweise eine Forest-basierte Methode und für zwei angrenzende Bezirke eine Gompertz-Kurve und eine saisonale exponentielle Glättungsmethode verwendet werden. Erwägen Sie, ob es sinnvoll ist, für unterschiedliche Positionen verschiedene Vorhersagemethoden mit unterschiedlichen Formen zu verwenden, und ermitteln Sie, ob die Auswahl der Vorhersagemethode nach Position eine nennenswerte Verringerung des Vorhersage- oder Validierungs-RMSE für die Positionen bewirkt. Wenn die Verwendung derselben Methode für sämtliche Positionen fast genauso genau ist wie die Verwendung individueller Methoden für die einzelnen Positionen, sollte aus Gründen der Übersichtlichkeit vorzugsweise eine einzige Vorhersagemethode für alle Positionen zum Einsatz kommen.
Die Ausgabe-Features werden dem Bereich Inhalt hinzugefügt, wobei das Rendering auf dem letzten vorhergesagten Zeitintervall der für jede Position ausgewählten Methode basiert.
-
Das Werkzeug erstellt Geoverarbeitungsmeldungen und interaktive Pop-up-Diagramme, damit Sie die Ergebnisse leichter verstehen und visualisieren können. Die Meldungen enthalten Informationen über die Struktur des Raum-Zeit-Würfels, Summenstatistiken der RMSE-Werte und eine Übersicht über die Anzahl der Positionen, die mit den einzelnen Vorhersagemethoden dargestellt werden. Wenn Sie mit dem Werkzeug Erkunden auf ein Feature klicken, wird im Bereich Pop-up ein Liniendiagramm mit den Werten des Raum-Zeit-Würfels und den vorhergesagten Werten der einzelnen Vorhersagemethoden angezeigt. Die für die Position ausgewählte Vorhersagemethode ist im Diagramm hervorgehoben dargestellt.
Vorhersagemethoden, die mit dem Werkzeug Forest-basierte Vorhersage erstellt wurden, sind üblicherweise für die Zeitserie einer Position am geeignetsten, aber sie sagen Werte oftmals nicht genauer als andere Methoden vorher. Wenn einer der Eingabe-Vorhersage-Raum-Zeit-Würfel eine Forest-basierte Methode repräsentiert, sollten Sie die Aktivierung des Parameters Mit Validierungsergebnissen auswerten möglichst beibehalten.
Wenn die Vorhersage eines der Eingabe-Vorhersage-Raum-Zeit-Würfel eine andere Anzahl zukünftiger Zeitintervalle betrifft, als die eines anderen Würfels, enthält die Ausgabe die Vorhersagen für die geringste Anzahl an Zeitintervallen. Wenn beispielsweise zwei Raum-Zeit-Würfel zur Verfügung stehen und mit dem ersten drei Zeitintervalle vorhergesagt werden, mit dem zweiten aber fünf Zeitintervalle, dann werden mit den Optionen Ausgabe-Features und Ausgabe-Raum-Zeit-Würfel drei zukünftige Zeitintervalle vorhergesagt.
Wenn der Parameter Mit Validierungsergebnissen auswerten nicht aktiviert ist, wird zum Vergleich der ausgewählten Methode und aller anderen Methoden für jede Position der DM-Test (Diebold-Mariano) oder der HLN-Test (Harvey, Leybourne, Newbold) verwendet. Mit diesen Tests wird ermittelt, ob die ausgewählte Methode ein signifikant genaueres Ergebnis für die Zeitserie liefert als die Methoden, die nicht ausgewählt wurden.
Weitere Informationen zum HLN-Test für die äquivalente Genauigkeit von Vorhersagen
Wenn Sie zuvor festgelegt haben, dass das Erkennen von Ausreißern in allen Raum-Zeit-Würfeln erfolgen soll, die im Parameter Eingabe-Vorhersage-Raum-Zeit-Würfel angegeben wurden, sind diese Informationen in den Ausgabe-Features oder dem Ausgabe-Raum-Zeit-Würfel nicht enthalten.
Die im Parameter Eingabe-Vorhersage-Raum-Zeit-Würfel angegebenen Raum-Zeit-Würfel können nicht als temporäre Datenvariablen in ModelBuilder verwendet werden, wenn die Würfel nicht bereits als netCDF-Dateien gespeichert wurden. Wenn Raum-Zeit-Würfel in einem Modell erstellt werden, aber noch nicht als Dateien vorhanden sind, müssen Sie jedes Werkzeug in ModelBuilder ausführen, bevor Sie das gesamte Modell ausführen.
Parameter
arcpy.stpm.EvaluateForecastsByLocation(in_cubes, output_features, {output_cube}, {evaluate_using_validation_results})| Name | Erläuterung | Datentyp |
in_cubes [in_cubes,...] | Die Eingabe-Raum-Zeit-Würfel, die die zu vergleichenden Vorhersagen enthalten. Ein Vergleich ist nur möglich, wenn alle Vorhersage-Würfel anhand derselben Original-Zeitseriendaten erstellt werden. | File |
output_features | Die neue Ausgabe-Feature-Class, die die Positionen des Raum-Zeit-Würfels und die Felder repräsentiert, die die vorhergesagten Werte der ausgewählten Methode für jede Position enthält. Die Pop-ups der Feature-Ausgabe-Diagramme mit den Original-Zeitseriendaten und Vorhersagen sämtlicher Methoden. | Feature Class |
output_cube (optional) | Der Ausgabe-Raum-Zeit-Würfel (.nc-Datei), der die Original-Zeitseriendaten mit den Vorhersagen der ausgewählten Methode für jede Position enthält. Das Werkzeug Raum-Zeit-Würfel in 3D visualisieren kann verwendet werden, um alle Original- und vorhergesagten Werte gleichzeitig anzuzeigen. | File |
evaluate_using_validation_results (optional) | Gibt an, ob die Vorhersagemethode für eine Position anhand des geringsten Validierungs-RMSE oder des geringsten Vorhersage-RMSE ermittelt wird.
| Boolean |
Codebeispiel
Das folgende Python-Skript veranschaulicht, wie die Funktion EvaluateForecastsByLocation verwendet wird:
import arcpy
arcpy.env.workspace = "C:/Analysis"
# Compare and merge three forecasts from three forecasts.
arcpy.stpm.EvaluateForecastsByLocation("CurveFit.nc;ExpSmooth.nc;ForestBased.nc",
"Analysis.gdb/Forecasts",
"outEvaluate.nc","USE_VALIDATION")Das folgende Python-Skript veranschaulicht die Verwendung der Funktion EvaluateForecastsByLocation zur Vorhersage einer Population:
# Compare and merge three forecasts
# Import system modules
import arcpy
# Set property to overwrite existing output.
arcpy.env.overwriteOutput = True
# Set workspace
workspace = r"C:\Analysis"
arcpy.env.workspace = workspace
# Run tool
arcpy.stpm.EvaluateForecastsByLocation(["CurveFit.nc", "ExpSmooth.nc", "ForestBased.nc"],
"Analysis.gdb/Forecasts", "outEvaluate.nc",
"USE_VALIDATION")Lizenzinformationen
- Basic: Ja
- Standard: Ja
- Advanced: Ja
Verwandte Themen
- Überblick über die Toolbox "Space Time Pattern Mining"
- Überblick über das Toolset "Zeitserienvorhersage"
- Kurvenanpassungsvorhersage
- Vorhersage mit exponentiellem Glätten
- Forest-basierte Vorhersage
- Informationen zu Ausreißern in Zeitserienanalysen
- Funktionsweise von "Vorhersagen nach Position auswerten"
- Suchen eines Geoverarbeitungswerkzeugs