Vorhersage mit exponentiellem Glätten (Space Time Pattern Mining)

Zusammenfassung

Führt eine Vorhersage der Werte für jede Position eines Raum-Zeit-Würfels mithilfe der exponentiellen Glättungsmethode nach Holt-Winters durch, indem die Zeitserie bei jedem Positionswürfel in saisonale und Trendkomponenten zerlegt wird.

Weitere Informationen zur Funktionsweise von exponentiell geglätteten Vorhersagen

Abbildung

Darstellung des Werkzeugs "Vorhersage mit exponentiellem Glätten"
Das Werkzeug "Vorhersage mit exponentiellem Glätten" wird verwendet, um die Werte zukünftiger Zeitintervalle vorherzusagen.

Verwendung

  • Dieses Werkzeug akzeptiert netCDF-Dateien, die mit dem Werkzeug Raum-Zeit-Würfel durch Aggregieren von Punkten erstellen, mit dem Werkzeug Raum-Zeit-Würfel aus definierten Features erstellen und mit dem Werkzeug Raum-Zeit-Würfel aus multidimensionalem Raster-Layer erstellen erstellt wurden.

  • Verglichen mit anderen Vorhersagewerkzeugen im Toolset Zeitserienvorhersage empfiehlt sich dieses Werkzeug für Daten, die moderate Trends und ein ausgeprägtes saisonales Verhalten aufweisen. Bei der Verwendung des exponentiellen Glättungsmodells wird vorausgesetzt, dass das saisonale Verhalten und der Trend getrennt werden können. Das Modell eignet sich daher besonders für Daten, deren Trend sich allmählich ändert und im Zeitverlauf einem einheitlichen saisonalen Muster folgt.

  • Mit dem Werkzeug Vorhersagen nach Position auswerten können mehrere vorhergesagte Raum-Zeit-Würfel verglichen und zusammengeführt werden. Auf diese Weise können Sie mit unterschiedlichen Vorhersagewerkzeugen und -parametern mehrere Vorhersagewürfel erstellen. Das Werkzeug ermittelt dann mit dem Vorhersage-RMSE (Root Mean Square Error) oder dem Validierungs-RMSE die beste Vorhersage für jeden Position.

  • Für jede Position im Parameter Eingabe-Raum-Zeit-Würfel erstellt das Werkzeug zwei Modelle für unterschiedliche Zwecke.

    • Vorhersagemodell: Dieses Modell wird für die Vorhersage der Werte des Raum-Zeit-Würfels verwendet, indem eine exponentielle Glättung der Werte der Zeitserie durchgeführt und diese Glättung auf zukünftige Zeitintervalle ausgeweitet wird. Die Eignung des Vorhersagemodell für die Werte des Raum-Zeit-Würfels wird mit dem Vorhersage-RMSE-Wert gemessen.
    • Validierungsmodell: Mit diesem Modell wird das Vorhersagemodell validiert und getestet, wie genau es Werte vorhersagen kann. Wenn eine Zahl größer als 0 für den Parameter Für die Validierung auszuschließende Anzahl an Zeitintervallen angegeben wird, wird dieses Modell an Zeitintervalle angepasst, die einbezogen wurden, und es wird verwendet, um die Werte der ausgeschlossenen Zeitintervalle vorherzusagen. So können Sie erkennen, wie gut das Modell Werte vorhersagen kann. Die Übereinstimmung der vorhergesagten Werte mit den ausgeschlossenen Werten wird mit dem Validierungs-RMSE-Wert gemessen.

    Weitere Informationen zu Vorhersagemodell, Validierungsmodell und RMSE-Statistiken

  • Die Parameterwerte der Ausgabe-Features werden dem Bereich Inhalt hinzugefügt, wobei das Rendering auf dem letzten vorhergesagten Zeitintervall basiert.

  • Das Werkzeug erstellt Geoverarbeitungsmeldungen und Pop-up-Diagramme, damit Sie die Ergebnisse der Vorhersage leichter verstehen und visualisieren können. Die Meldungen enthalten Informationen über die Struktur des Raum-Zeit-Würfels und Summenstatistiken der RMSE-Werte und Saisonlängen. Klicken Sie mit dem Navigationswerkzeug Erkunden auf ein Feature, um im Bereich Pop-up ein Liniendiagramm mit den Werten des Raum-Zeit-Würfels, den angepassten Forest-Werten, den vorhergesagten Werten und den Konfidenzgrenzen für diese Position anzuzeigen.

  • Der Parameter Ausreißeroption kann verwendet werden, um statistisch signifikante Ausreißer für Zeitserienwerte an jeder Position zu erkennen.

    Weitere Informationen zum Erkennen von Ausreißern in einer Zeitserie

  • Die Entscheidung über die Anzahl der Zeitintervalle, die für die Validierung ausgeschlossen werden sollen, ist wichtig. Je mehr Zeitintervalle ausgeschlossen werden, desto weniger stehen für die Schätzung des Validierungsmodells zur Verfügung. Wenn jedoch zu wenige Zeitintervalle ausgeschlossen werden, wird der Validierungs-RMSE mit einer geringen Datenmenge geschätzt und kann irreführend sein. Sie sollten so viele Zeitintervalle wie möglich ausschließen und gleichzeitig genügend Zeitintervalle beibehalten, um das Validierungsmodell zu schätzen. Es empfiehlt sich außerdem, mindestens so viele Zeitintervalle für die Validierung zurückzuhalten, wie vorhergesagt werden sollen, sofern der Raum-Zeit-Würfel eine entsprechende Anzahl an Zeitintervallen aufweist.

  • Das exponentielle Glättungsmodell setzt voraus, dass alle Komponenten additiv und linear sind. Es wird immer ein gedämpfter Trend verwendet. Additive Saisonalität wird unterstützt, ist aber nicht erforderlich. Beim Erstellen von Konfidenzintervallen wird davon ausgegangen, dass die Residuen additiv und normal verteilt sind.

    Weitere Informationen über die Komponenten des exponentiellen Glättungsmodells

Parameter

BeschriftungErläuterungDatentyp
Eingabe-Raum-Zeit-Würfel

Der NetCDF-Würfel, der die Variable enthält, die für zukünftige Zeitintervalle vorhergesagt werden soll. Diese Datei muss eine .nc-Dateierweiterung aufweisen und mit dem Werkzeug Raum-Zeit-Würfel durch Aggregieren von Punkten erstellen, Raum-Zeit-Würfel aus definierten Positionen erstellen oder Raum-Zeit-Würfel aus multidimensionalem Raster-Layer erstellen erstellt worden sein.

File
Analysevariable

Die numerische Variable in der NetCDF-Datei, die für zukünftige Zeitintervalle vorhergesagt wird.

String
Ausgabe-Features

Die Ausgabe-Feature-Class von allen Positionen im Raum-Zeit-Würfel mit vorhergesagten Werten, die als Felder gespeichert werden. Der Layer zeigt die Vorhersage für das letzte Zeitintervall an und enthält Pop-up-Diagramme, die die Zeitserie, Vorhersagen und 90-Prozent-Konfidenzgrenzen für jede Position enthalten.

Feature Class
Ausgabe-Raum-Zeit-Würfel
(optional)

Ein neuer Raum-Zeit-Würfel (.nc-Datei), der die Werte des Eingabe-Raum-Zeit-Würfels mit den angehängten vorhergesagten Zeitintervallen enthält. Das Werkzeug Raum-Zeit-Würfel in 3D visualisieren kann verwendet werden, um alle beobachteten und vorhergesagten Werte gleichzeitig zu sehen.

File
Anzahl an Zeitintervallen für die Vorhersage
(optional)

Eine positive ganze Zahl, mit der die Anzahl an Zeitintervallen für die Vorhersage angegeben wird. Dieser Wert darf nicht mehr als 50 Prozent aller Zeitintervalle im Eingabe-Raum-Zeit-Würfel betragen. Der Standardwert ist ein Zeitintervall.

Long
Saisonlänge

Die Anzahl der Zeitschritte, die einer Saison entsprechen, für jede Position. Wenn es in den Daten mehrere Saisons gibt, sollten Sie die längste Saison verwenden, um ein möglichst zuverlässiges Ergebnis zu erhalten. Wird kein Wert angegeben, wird vom Werkzeug für jede Position eine Saisonlänge mithilfe einer spektralen Dichtefunktion geschätzt.

Long
Für die Validierung auszuschließende Anzahl an Zeitintervallen
(optional)

Die Anzahl an Zeitintervallen am Ende jeder Zeitserie, die für die Validierung ausgeschlossen wird. Der Standardwert ist 10 Prozent (abgerundet) der Anzahl an Eingabe-Zeitintervallen. Der Wert darf nicht größer als 25 Prozent der Anzahl an Zeitintervallen sein. Geben Sie den Wert 0 an, um keine Zeitintervalle auszuschließen.

Long
Ausreißeroption
(optional)

Gibt an, ob statistisch signifikante Ausreißer in einer Zeitserie identifiziert werden.

  • KeineAusreißer werden nicht identifiziert. Dies ist die Standardeinstellung.
  • Ausreißer identifizierenAusreißer werden mithilfe des generalisierten ESD-Tests identifiziert.
String
Konfidenzniveau
(optional)

Gibt das Konfidenzniveau des Tests für Ausreißer in einer Zeitserie an.

  • 90 %Das Konfidenzniveau für den Test beträgt 90 Prozent. Dies ist die Standardeinstellung.
  • 95 %Das Konfidenzniveau für den Test beträgt 95 Prozent.
  • 99%Das Konfidenzniveau für den Test beträgt 99 Prozent.
String
Maximale Anzahl von Ausreißern

Die maximale Anzahl von Zeitintervallen, die für jede Position als Ausreißer deklariert werden können. Der Standardwert entspricht 5 Prozent (abgerundet) der Anzahl der Zeitintervalle des Eingabe-Raum-Zeit-Würfels (es wird immer ein Wert von mindestens 1 verwendet). Dieser Wert darf 20 Prozent der Anzahl der Zeitintervalle nicht überschreiten.

Long

arcpy.stpm.ExponentialSmoothingForecast(in_cube, analysis_variable, output_features, {output_cube}, {number_of_time_steps_to_forecast}, season_length, {number_for_validation}, {outlier_option}, {level_of_confidence}, maximum_number_of_outliers)
NameErläuterungDatentyp
in_cube

Der NetCDF-Würfel, der die Variable enthält, die für zukünftige Zeitintervalle vorhergesagt werden soll. Diese Datei muss eine .nc-Dateierweiterung aufweisen und mit dem Werkzeug Raum-Zeit-Würfel durch Aggregieren von Punkten erstellen, Raum-Zeit-Würfel aus definierten Positionen erstellen oder Raum-Zeit-Würfel aus multidimensionalem Raster-Layer erstellen erstellt worden sein.

File
analysis_variable

Die numerische Variable in der NetCDF-Datei, die für zukünftige Zeitintervalle vorhergesagt wird.

String
output_features

Die Ausgabe-Feature-Class von allen Positionen im Raum-Zeit-Würfel mit vorhergesagten Werten, die als Felder gespeichert werden. Der Layer zeigt die Vorhersage für das letzte Zeitintervall an und enthält Pop-up-Diagramme, die die Zeitserie, Vorhersagen und 90-Prozent-Konfidenzgrenzen für jede Position enthalten.

Feature Class
output_cube
(optional)

Ein neuer Raum-Zeit-Würfel (.nc-Datei), der die Werte des Eingabe-Raum-Zeit-Würfels mit den angehängten vorhergesagten Zeitintervallen enthält. Das Werkzeug Raum-Zeit-Würfel in 3D visualisieren kann verwendet werden, um alle beobachteten und vorhergesagten Werte gleichzeitig zu sehen.

File
number_of_time_steps_to_forecast
(optional)

Eine positive ganze Zahl, mit der die Anzahl an Zeitintervallen für die Vorhersage angegeben wird. Dieser Wert darf nicht mehr als 50 Prozent aller Zeitintervalle im Eingabe-Raum-Zeit-Würfel betragen. Der Standardwert ist ein Zeitintervall.

Long
season_length

Die Anzahl der Zeitschritte, die einer Saison entsprechen, für jede Position. Wenn es in den Daten mehrere Saisons gibt, sollten Sie die längste Saison verwenden, um ein möglichst zuverlässiges Ergebnis zu erhalten. Wird kein Wert angegeben, wird vom Werkzeug für jede Position eine Saisonlänge mithilfe einer spektralen Dichtefunktion geschätzt.

Long
number_for_validation
(optional)

Die Anzahl an Zeitintervallen am Ende jeder Zeitserie, die für die Validierung ausgeschlossen wird. Der Standardwert ist 10 Prozent (abgerundet) der Anzahl an Eingabe-Zeitintervallen. Der Wert darf nicht größer als 25 Prozent der Anzahl an Zeitintervallen sein. Geben Sie den Wert 0 an, um keine Zeitintervalle auszuschließen.

Long
outlier_option
(optional)

Gibt an, ob statistisch signifikante Ausreißer in einer Zeitserie identifiziert werden.

  • NONEAusreißer werden nicht identifiziert. Dies ist die Standardeinstellung.
  • IDENTIFYAusreißer werden mithilfe des generalisierten ESD-Tests identifiziert.
String
level_of_confidence
(optional)

Gibt das Konfidenzniveau des Tests für Ausreißer in einer Zeitserie an.

  • 90%Das Konfidenzniveau für den Test beträgt 90 Prozent. Dies ist die Standardeinstellung.
  • 95%Das Konfidenzniveau für den Test beträgt 95 Prozent.
  • 99%Das Konfidenzniveau für den Test beträgt 99 Prozent.
String
maximum_number_of_outliers

Die maximale Anzahl von Zeitintervallen, die für jede Position als Ausreißer deklariert werden können. Der Standardwert entspricht 5 Prozent (abgerundet) der Anzahl der Zeitintervalle des Eingabe-Raum-Zeit-Würfels (es wird immer ein Wert von mindestens 1 verwendet). Dieser Wert darf 20 Prozent der Anzahl der Zeitintervalle nicht überschreiten.

Long

Codebeispiel

ExponentialSmoothingForecast – Beispiel 1 (Python-Fenster)

Das folgende Python-Skript veranschaulicht die Verwendung des Werkzeugs ExponentialSmoothingForecast.

import arcpy
arcpy.env.workspace = "C:/Analysis"
# Forecast four time steps using exponential smoothing.
arcpy.stpm.ExponentialSmoothingForecast("Temperature.nc","Temp_NONE_ZEROS", 
                                        "Analysis.gdb/Forecasts", 
                                        "outForecastCube.nc", 4, 2, 5)
ExponentialSmoothingForecast – Beispiel 2 (eigenständiges Skript)

Das folgende Python-Skript veranschaulicht die Verwendung des Werkzeugs ExponentialSmoothingForecast zur Vorhersage der Temperatur.

# Forecast temperature using exponential smoothing.
# 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
# Forecast three time steps.
arcpy.stpm.ExponentialSmoothingForecast("Temperature.nc","Temp_NONE_ZEROS", 
                                        "Analysis.gdb/Forecasts", 
                                        "outForecastCube.nc", 3, 2, 5,
                                        "IDENTIFY", "90%", 4)
# Create a feature class visualizing the forecasts.
arcpy.stpm.VisualizeSpaceTimeCube3D("outForecastCube.nc", "Temp_NONE_ZEROS", 
                                    "VALUE", "Analysis.gdb/ForecastsFC")

Lizenzinformationen

  • Basic: Ja
  • Standard: Ja
  • Advanced: Ja

Verwandte Themen