Resumen
Pronostica los valores futuros de cada ubicación de un cubo de espacio-tiempo por el método de suavizado exponencial Holt-Winters mediante la descomposición de la serie temporal de cada cubo de ubicación en componentes estacionales y de tendencia.
Más información sobre el funcionamiento de la previsión de suavizado exponencial
Ilustración
Uso
Esta herramienta acepta archivos netCDF creados con las herramientas Crear cubo de espacio-tiempo agregando puntos, Crear cubo de espacio-tiempo a partir de entidades definidas y Crear cubo de espacio-tiempo a partir de capa ráster multidimensional.
En comparación con otras herramientas de previsión del conjunto de herramientas Previsión de serie temporal, esta es la herramienta recomendada para datos que tienen tendencias moderadas y un comportamiento fuertemente estacional. El modelo de suavizado exponencial presupone que el comportamiento estacional y la tendencia se pueden separar, por lo que será más efectivo para datos cuya tendencia cambia de forma gradual y sigue patrones estacionales a lo largo del tiempo.
Con la herramienta Evaluar previsiones por ubicación se pueden comparar y fusionar varios cubos de espacio-tiempo previstos. Esto permite crear varios cubos de previsión con parámetros y herramientas de previsión diferentes; la herramienta identificará la mejor previsión correspondiente a cada ubicación por medio del error cuadrático medio de previsión (RMSE) o el RMSE de validación.
Por cada ubicación del Cubo de espacio-tiempo de entrada, la herramienta genera dos modelos que sirven para fines diferentes.
- Modelo de previsión: este modelo sirve para predecir valores futuros del cubo de espacio-tiempo mediante la aplicación de suavizado exponencial a los valores de las series temporales y la extensión del suavizado a periodos de tiempo futuros. El ajuste del modelo de previsión a los valores del cubo de espacio-tiempo se mide mediante el valor de RMSE de previsión.
- Modelo de validación: este modelo sirve para validar el modelo de previsión y determinar con qué precisión puede predecir valores futuros. Si se especifica un valor mayor que 0 en el parámetro Número de periodos de tiempo que se excluirán para validación, este modelo se ajusta a los periodos de tiempo que no se excluyeron y se utiliza para predecir los valores de los periodos de tiempo que se excluyeron. Esto permite determinar si el modelo puede predecir los valores futuros de manera adecuada. El ajuste de los valores previstos a los valores excluidos se mide mediante el valor RMSE de validación.
Más información sobre el modelo de previsión, el modelo de validación y la estadística de RMSE
Las Entidades de salida se agregarán al panel Contenido con una representación basada en el periodo de tiempo previsto final.
-
Esta herramienta crea mensajes de geoprocesamiento y gráficos emergentes para ayudarle a comprender y visualizar los resultados de la precisión. Los mensajes contienen información sobre la estructura del cubo de espacio-tiempo y estadísticas resumidas de los valores de RMSE y la duración de las estaciones. Al hacer clic en una entidad con la herramienta de navegación Explorar, aparece un gráfico de líneas en el panel Elementos emergentes que muestra los valores del cubo de espacio-tiempo, los valores del bosque ajustados, los valores predichos y los límites de confianza de esa ubicación.
La decisión sobre cuántos periodos de tiempo deben excluirse para la validación es importante. Cuantos más periodos de tiempo se excluyen, menos periodos de tiempo quedan para estimar el modelo de validación. No obstante, si se excluyen muy pocos periodos de tiempo, el RMSE de validación se estimará usando una pequeña cantidad de datos y puede llevar a engaño. Se recomienda excluir el mayor número de periodos de tiempo que sea posible mientras aún se mantienen suficientes periodos de tiempo para estimar el modelo de validación. También se recomienda mantener al menos tanto periodos de tiempo para validación como número de periodos de tiempo pretenda pronosticar si el cubo de espacio-tiempo tiene suficientes periodos de tiempo para permitirlo.
Esta herramienta supone que todos los componentes del modelo de suavizado exponencial son aditivos y lineales. Siempre se utiliza la tendencia amortiguada; la estacionalidad aditiva se admite, pero no es obligatoria. Se presupone que los residuales del modelo son aditivos y normalmente distribuidos, y se utilizan para calcular los intervalos de confianza.
Más información sobre los componentes del modelo de suavizado exponencial
Sintaxis
ExponentialSmoothingForecast(in_cube, analysis_variable, output_features, {output_cube}, {number_of_time_steps_to_forecast}, season_length, {number_for_validation})| Parámetro | Explicación | Tipo de datos |
in_cube | Cubo netCDF que contiene la variable cuya predicción en periodos de tiempo futuros desea realizar. Este archivo debe tener una extensión de archivo .nc y se debe haber creado con las herramientas Crear cubo de espacio-tiempo agregando puntos, Crear cubo de espacio-tiempo a partir de ubicaciones definidas o Crear cubo de espacio-tiempo a partir de capa ráster multidimensional. | File |
analysis_variable | Variable numérica del archivo netCDF que se pronosticará en periodos de tiempo futuros. | String |
output_features | La clase de entidades de salida de todas las ubicaciones del cubo de espacio-tiempo con valores predichos almacenados en forma de campos. La capa muestra la predicción del paso de tiempo final y contiene gráficos emergentes que muestran las series de tiempo, las predicciones y los límites de confianza del 90 por ciento de cada ubicación. | Feature Class |
output_cube (Opcional) | Nuevo cubo de espacio-tiempo (archivo .nc) que contiene los valores del cubo de espacio-tiempo de entrada con los periodos de tiempo previstos anexados. La herramienta Visualizar cubo de espacio-tiempo en 3D puede utilizarse para ver todos los valores observados y previstos de forma simultánea. | File |
number_of_time_steps_to_forecast (Opcional) | Entero positivo que especifica el número de periodos de tiempo de la previsión. Este valor no puede ser mayor que el 50% de los periodos de tiempo totales del cubo de espacio-tiempo de entrada. El valor predeterminado es un periodo de tiempo. | Long |
season_length | Número de periodos de tiempo correspondientes a una estación en cada ubicación. Si hay varias estaciones en los datos, se recomienda utilizar la más larga para generar el resultado más fiable posible. Si se deja vacío, la herramienta hará una estimación de la duración de una estación en cada ubicación por medio de la función de densidad espectral. | Long |
number_for_validation (Opcional) | Número de periodos de tiempo al final de cada serie temporal que se van a excluir para validación. El valor predeterminado es el 10% (redondeado por defecto) del número de periodos de tiempo de entrada y no puede ser mayor que el 25% del número de periodos de tiempo. Si no quiere excluir ningún periodo de tiempo, introduzca el valor 0. | Long |
Muestra de código
En el siguiente script de Python se muestra cómo utilizar la herramienta 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)En el siguiente script de Python se muestra cómo utilizar la herramienta ExponentialSmoothingForecast para hacer una previsión de temperatura:
# 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)
12345678901234567890123456789012345671234567890123456789012345678901234567890890
# Create a feature class visualizing the forecasts.
arcpy.stpm.VisualizeSpaceTimeCube3D("outForecastCube.nc", "Temp_NONE_ZEROS",
"VALUE", "Analysis.gdb/ForecastsFC")Entornos
Información de licenciamiento
- Basic: Sí
- Standard: Sí
- Advanced: Sí
Temas relacionados
- Descripción general de la caja de herramientas Minería de patrones en espacio-tiempo
- Una vista general del conjunto de herramientas de previsión de serie temporal
- Previsión de ajuste de curva
- Evaluar predicciones por ubicación
- Previsión basada en bosque
- Cómo funciona la predicción de suavizado exponencial
- Buscar una herramienta de geoprocesamiento