| Подпись | Описание | Тип данных |
Входной куб Пространство-Время
| Куб netCDF, содержащий переменную, которую вы хотите спрогнозировать на будущие временные шаги. Файл должен быть с расширением .nc, и должен быть создан инструментами Создать куб пространство-время по агрегации точек, Создать куб пространство-время из указанных местоположений или Создать куб пространство-время из многомерного растрового слоя. | File |
Переменная анализа
| Числовая переменная в файле netCDF, которая будет прогнозироваться на будущие временные шаги. | String |
Выходные объекты |
Выходной класс объектов, содержащий все местоположения куба пространства-времени с прогнозируемыми значениями, хранящимися в виде полей. Слой отображает прогноз для последнего временного шага и содержит всплывающие диаграммы, показывающие временные ряды, прогнозы и 90-процентные допустимые границы для каждого местоположения. | Feature Class |
Выходной куб пространство-время
(Дополнительный) | Новый куб пространство-время (.nc файл), содержащий значения входного куба пространство-время с добавлением прогнозируемых временных шагов. Инструмент Визуализация куба Пространство-Время в 3D можно использовать для одновременного просмотра всех наблюдаемых и прогнозируемых значений. | File |
Количество временных шагов для прогноза
(Дополнительный) | Положительное целое число, определяющее количество временных шагов для прогнозирования. Это значение не может быть больше 50 процентов от общего числа временных шагов во Входном кубе пространства-времени. Значение по умолчанию равно одному временному шагу. | Long |
Окно временного шага (Дополнительный) | Количество предыдущих временных шагов, которые будут использованы при обучении модели. Если данные отображают сезонность (повторяющиеся циклы), укажите количество временных шагов, соответствующих одному сезону. Это значение не может быть больше одной трети от числа временных шагов во входном кубе пространство-время. При использовании масштаба модели отдельного местоположения, если значение не будет задано, временное окно будет оцениваться для каждого местоположения с использованием функции спектральной плотности. При использовании всего куба или масштабов модели кластера временных рядов и не задании значения будет взято значение, равное одной четверти от числа шагов. | Long |
Количество временных шагов, исключаемых для проверки
(Дополнительный) | Количество временных шагов в конце каждого временного ряда, которые необходимо исключить для проверки. Значение по умолчанию равно 10 процентам (округляется в меньшую сторону) от числа входных временных шагов, и это значение не может быть больше 25 процентов от числа временных шагов. Укажите значение 0, чтобы не исключать никаких временных шагов. | Long |
Число деревьев (Дополнительный) | Число деревьев, которые будут созданы для создания модели леса. Увеличение числа деревьев приведет к более точному прогнозированию модели, но модель будет дольше вычисляться. По умолчанию число деревьев равно 100, а значение должно быть не менее 1 и не более 1000. | Long |
Минимальный размер листа (Дополнительный) | Минимальное число наблюдений, необходимых для сохранения листа (т.е. конечного объекта на дереве, без дальнейшего разбиения). Для очень больших данных увеличение этого числа сократит время работы инструмента. | Long |
Максимальная глубина дерева (Дополнительный) |
Максимальное число разбиений, которые будут сделаны вниз по дереву . При большей максимальной глубине будет создано больше разбиений, что может увеличить вероятность чрезмерной подгонки модели. Если значение не указано, значение будет определено инструментом на основе количества деревьев, созданных моделью, и размера окна временного шага. | Long |
Процент обучения, доступного для каждого дерева (%) (Дополнительный) | Процент обучающих данных, который будет использоваться для соответствия прогнозной модели. Обучающие данные состоят из связанных объясняющих и зависимых переменных, построенных с использованием временных окон. Все остальные обучающие данные будут использованы для оптимизации параметров прогнозной модели. Значение по умолчанию – 100 процентов. | Long |
Подход к прогнозу (Дополнительный) | Указывает, как будут представлены объясняющие и зависимые переменные при обучении модели леса в каждом местоположении. Для обучения модели леса, которая будет использоваться для прогнозирования, необходимо создать наборы объясняющих и зависимых переменных с использованием временных окон. Используйте этот параметр, чтобы указать, будут ли эти переменные линейно детрендированы и будет ли зависимая переменная представлена своим необработанным значением или остатком линейной регрессионной модели. Эта модель линейной регрессии использует все временные шаги в пределах временного окна в качестве объясняющих переменных и использует следующий временной шаг в качестве зависимой переменной. Остаточная величина рассчитывается путем вычитания прогнозируемого значения на основе линейной регрессии из исходного значения зависимой переменной. Если какие-то переменные указаны в параметре Другие переменные или для параметра Масштаб модели выбрано Весь куб или Кластер временных рядов, параметр Значение будет единственным доступным методом прогнозирования.
| String |
Опция Выброс
(Дополнительный) | Задает, будут ли определяться статистически значимые выбросы во временных рядах.
| String |
Уровень достоверности (Дополнительный) | Задает уровень достоверности теста выбросов во временных рядах.
| String |
Максимальное число выбросов
| Максимальное число временных шагов, которые могут быть объявлены выбросами в каждом местоположении. Значение по умолчанию составляет 5 процентов (округлено вниз) от количества временных шагов входного куба пространства-времени (значение хотя бы 1 будет использоваться всегда). Значение не может превышать 20 процентов от числа временных шагов. | Long |
Другие переменные (Дополнительный) | Другие переменные во входном кубе пространства-времени, которые будут использованы в качестве независимых переменных для более точного прогноза. | String |
Порог значимости (%) (Дополнительный) | Процент факторов, учитываемых при оценке значимости при прогнозировании переменной анализа. Например, если это значение равно 20, верхние 20 процентов факторов для каждого местоположения будут включены в таблицу значимости. Каждая переменная (переменная анализа, и каждая независимая переменная) однократно представлены как факторы в каждом временном шаге в окне временного шага, поэтому число факторов в каждом местоположении соответствует длине временного окна, умноженной на число переменных. Число факторов, умноженное на порог значимости определяет количество значимых факторов для каждой модели прогнозирования. Значение по умолчанию - 10, оно должно быть целочисленным в диапазоне от 0 до 100. | Long |
Выходная таблица значимости (Дополнительный) | Выходная таблица, которая будет содержать наиболее значимые факторы в каждом местоположении. Для масштаба модели отдельного местоположения каждый важный фактор в каждом местоположении куба пространство-время будет представлен строкой в таблице с полями, содержащими имя переменной и связанный временной лаг. Для масштаба модели всего куба и кластера временных рядов все важные факторы во всем кубе или модели кластеров будут представлены строкой. Таблица будет включать диаграмму, отображающую количество наиболее важных факторов по всем местоположениям, разделенным временным лагом. Эта диаграмма позволяет вам визуализировать отложенный (задержанный) эффект между независимой переменной и переменной анализа. | Table |
Масштаб модели (Дополнительный) | Задает масштаб, используемый для оценки моделей прогнозирования и проверки.
| String |
Переменная кластера (Дополнительный) | Переменная, которая будет использоваться для группировки местоположений куба пространства-времени по регионам, и для каждого региона будут оцениваться различные модели прогнозирования и проверки. Для переменной нужно использовать результаты кластеризации временных рядов. Переменной кластеризации может быть любая переменная куба пространство-время, в том числе переменная анализа. | String |
Краткая информация
Предсказывает значения в каждом местоположении куба пространство-время при помощи адаптированного алгоритма произвольного леса - метода контролируемого машинного обучения Лео Бреймана и Адели Катлер. Регрессионная модель леса обучается с использованием временных окон в каждом местоположении куба пространство-время.
Иллюстрация
Использование
Этот инструмент поддерживает файлы netCDF, созданные инструментами Создать куб пространство-время по агрегации точек, Создать куб пространство-время из указанных местоположений, Создать куб пространство-время из многомерного растрового слоя и Поднабор куба пространство-время.
По сравнению с другими инструментами прогнозирования в наборе инструментов Прогнозирования временных рядов, этот инструмент является наиболее сложным, но включает наименьшее количество предположений о данных. Он рекомендуется для временных рядов со сложными геометриями и трендами, которые трудно моделировать с помощью простых математических функций или когда предположения других методов не удовлетворяются. Также он рекомендуется, в случае, если в вашем кубе пространства-времени есть другие переменные, которые связаны с прогнозируемой переменной. Эти переменные можно добавить к независимым переменным для более точного прогнозирования.
Кроме того, этот инструмент - единственный инструмент прогнозирования, позволяющий вам строить модели в разных географических масштабах. Вместо того чтобы строить независимую модель прогнозирования в каждом местоположении куба пространство-время, этот инструмент позволяет вам создать единую глобальную прогностическую модель, которая использует каждое местоположение в качестве обучающих данных. Если есть результаты кластеризации временных рядов для какой-то переменной входного куба пространство-время, вам можете также построить другую модель прогнозирования для каждого кластера.
Параметр Масштаб модели может использоваться для задания масштаба, используемого для оценки моделей на основе леса. Параметр может принимать следующие значения:
- Отдельное местоположение - для каждого положения куба пространство-время будет независимо оценена своя модель. Это значение по умолчанию
- Весь куб - будет оцениваться единая модель с использованием всех местоположений в качестве обучающих данных. Для прогнозирования будущих значений во всех местоположениях будет применена общая модель.
- Кластер временных рядов - для каждого кластера результата кластеризации временных рядов будет независимо оценена своя модель. Укажите для переменной результаты кластеризации временных рядов в параметре Переменная кластеризации. Вам необходимо воспользоваться для переменной инструментом Кластеризация временных рядов. Вы можете воспользоваться любой переменной с результатами кластеризации временных рядов, в том числе переменной анализа.
Несколько предсказанных кубов пространство-время можно сравнить и выполнить их слияние с помощью инструмента Оценить прогнозы по местоположению. Это позволит создавать несколько прогнозных кубов с использованием различных инструментов и параметров прогнозирования, а инструмент будет определять наилучший прогноз для каждого местоположения, используя для прогноза Среднеквадратичную ошибку (RMSE), либо Проверку RMSE.
В процессе предсказания будущих значений инструмент строит две модели, которые служат разным целям.
- Модель прогноза - эта модель используется для прогнозирования значений пространственно-временного куба путем построения леса с использованием значений временного ряда и использования этого леса для прогнозирования значений будущих временных шагов. Подгонка прогнозной модели к значениям куба пространство-время измеряется прогнозным значением RMSE.
- Модель проверки - эта модель используется для проверки модели прогноза и проверки того, насколько точно она может прогнозировать значения. Если для параметра Число временных шагов, исключаемых для проверки указано число больше 0, эта модель строится с использованием включенных временных шагов и используется для прогнозирования значений временных шагов, которые были исключены. Это позволяет увидеть, насколько хорошо модель может прогнозировать значения. Подгонка прогнозных значений к исключенным значениям измеряется Проверкой RMSE.
Более подробно о прогнозной модели, модели проверки и статистике RMSE
Значения параметра Выходные объекты будут добавлены на панель Содержание с отображением, основанным на конечном прогнозируемом временном шаге.
-
Этот инструмент создает сообщения геообработки и всплывающие диаграммы, которые помогут вам понять и визуализировать результаты прогноза. Сообщения содержат информацию о структуре куба пространство-время и сводную статистику значений RMSE и длин сезонов. Если щелкнуть объект с помощью инструмента навигации Исследовать, отображается диаграмма-график во всплывающей панели, которая показывает значения куба пространство-время, соответствующие значения леса, прогнозные значения и допустимые границы для этого местоположения.
Вы можете включить независимые переменные для более точного прогнозирования используя параметр Другие переменные. Если вы указываете дополнительные переменные, модель прогнозирования выполняет многофакторный прогноз на основе леса. Каждая независимая переменная конвертируется в факторы с временным лагом, в пределах каждого временного окна, которые используются для обучения модели на основе леса. Это позволяет вам оценить любой отложенный (задержанный) эффект между независимой переменной и переменной анализа. Например, на основе увеличения числа госпитализаций во время пандемии можно прогнозировать число умерших через 14 дней, число госпитализаций не поможет в прогнозировании числа умерших в ближайшие 3 дня. Число временных лагов равно значению параметра Окно временного шага, поэтому временное окно должно быть шире любого отложенного эффекта, который вы хотите захватить.
Параметр Выходная таблица значимости создает таблицу, отображающую наиболее значимые факторы в каждом местоположении, и включает столбчатую диаграмму Значимость временного лага, которая отражает количества наиболее значимых факторов по местоположениям, отсортированным по временным лагам внутри временного окна. Это позволяет вам увидеть, какие переменные были наиболее значимы в прогнозировании значения переменной анализа, а также визуализировать связанные лаги, если фактор наиболее значимый. Например, если число госпитализаций связано с числом умерших через 14 дней, окно временного шага должно составлять не менее 14 дней, и большое количество госпитализаций должно наблюдаться примерно за 14 дней до окончания временного окна.
Количество факторов, значимых для каждого местоположения, зависит от значения параметра Порог значимости. Например, если используется значение 15, верхние 15 процентов факторов в каждом местоположении будут включены в таблицу и диаграмму.
Параметр Опция выброса может использоваться для определения статистически значимых выбросов в значениях временных рядов в каждом местоположении.
Если вы выбираете опцию Идентифицировать выбросы параметра Опции выбросов, рекомендуется указать значение для параметра Окно временного шага вместо того, чтобы оставлять параметр пустым и оценивать другое окно временного шага для каждого места. Для каждого местоположения модель леса использует временные шаги в окне первого временного шага для обучения модели прогноза, а выбросы обнаруживаются только для оставшихся временных шагов. Если разные местоположения исключают разное количество временных шагов для обучения, итоговая статистика, такая как среднее, минимальное и максимальное количество выбросов для каждого временного шага или для каждого местоположения, может вводить в заблуждение.
Если независимые переменные включены в параметр Другие переменные или для параметра Масштаб модели заданы опции Весь куб или Кластеры временных рядов, доступна только опция Построить модель по значению для параметра Подход к прогнозу. Кроме того, время обработки при использовании какой-то из этих опций увеличится.
Решение о том, сколько временных шагов следует исключить для проверки, является важным выбором. Чем больше временных шагов исключается, тем меньше временных шагов остается для определения модели проверки. Однако если исключить слишком мало временных шагов, то Проверка RMSE будет оцениваться с использованием небольшого объема данных и может выдать результат, вводящий в заблуждение. Рекомендуется исключить как можно больше временных шагов при сохранении достаточного их количества для оценки модели проверки. Также предполагается, что вы удерживаете по крайней мере такое количество временных шагов для проверки, которое равно количеству временных шагов, которые вы собираетесь спрогнозировать, если ваш куб пространство-время имеет достаточно временных шагов, чтобы позволить это.
Параметры
arcpy.stpm.ForestBasedForecast(in_cube, analysis_variable, output_features, {output_cube}, {number_of_time_steps_to_forecast}, {time_window}, {number_for_validation}, {number_of_trees}, {minimum_leaf_size}, {maximum_depth}, {sample_size}, {forecast_approach}, {outlier_option}, {level_of_confidence}, maximum_number_of_outliers, {other_variables}, {importance_threshold}, {output_importance_table}, {model_scale}, {cluster_variable})| Имя | Описание | Тип данных |
in_cube | Куб netCDF, содержащий переменную, которую вы хотите спрогнозировать на будущие временные шаги. Файл должен быть с расширением .nc, и должен быть создан инструментами Создать куб пространство-время по агрегации точек, Создать куб пространство-время из указанных местоположений или Создать куб пространство-время из многомерного растрового слоя. | File |
analysis_variable | Числовая переменная в файле netCDF, которая будет прогнозироваться на будущие временные шаги. | String |
output_features |
Выходной класс объектов, содержащий все местоположения куба пространства-времени с прогнозируемыми значениями, хранящимися в виде полей. Слой отображает прогноз для последнего временного шага и содержит всплывающие диаграммы, показывающие временные ряды, прогнозы и 90-процентные допустимые границы для каждого местоположения. | Feature Class |
output_cube (Дополнительный) | Новый куб пространство-время (.nc файл), содержащий значения входного куба пространство-время с добавлением прогнозируемых временных шагов. Инструмент Визуализация куба Пространство-Время в 3D можно использовать для одновременного просмотра всех наблюдаемых и прогнозируемых значений. | File |
number_of_time_steps_to_forecast (Дополнительный) | Положительное целое число, определяющее количество временных шагов для прогнозирования. Это значение не может быть больше 50 процентов от общего числа временных шагов во Входном кубе пространства-времени. Значение по умолчанию равно одному временному шагу. | Long |
time_window (Дополнительный) | Количество предыдущих временных шагов, которые будут использованы при обучении модели. Если данные отображают сезонность (повторяющиеся циклы), укажите количество временных шагов, соответствующих одному сезону. Это значение не может быть больше одной трети от числа временных шагов во входном кубе пространство-время. При использовании масштаба модели отдельного местоположения, если значение не будет задано, временное окно будет оцениваться для каждого местоположения с использованием функции спектральной плотности. При использовании всего куба или масштабов модели кластера временных рядов и не задании значения будет взято значение, равное одной четверти от числа шагов. | Long |
number_for_validation (Дополнительный) | Количество временных шагов в конце каждого временного ряда, которые необходимо исключить для проверки. Значение по умолчанию равно 10 процентам (округляется в меньшую сторону) от числа входных временных шагов, и это значение не может быть больше 25 процентов от числа временных шагов. Укажите значение 0, чтобы не исключать никаких временных шагов. | Long |
number_of_trees (Дополнительный) | Число деревьев, которые будут созданы для создания модели леса. Увеличение числа деревьев приведет к более точному прогнозированию модели, но модель будет дольше вычисляться. По умолчанию число деревьев равно 100, а значение должно быть не менее 1 и не более 1000. | Long |
minimum_leaf_size (Дополнительный) | Минимальное число наблюдений, необходимых для сохранения листа (т.е. конечного объекта на дереве, без дальнейшего разбиения). Для очень больших данных увеличение этого числа сократит время работы инструмента. | Long |
maximum_depth (Дополнительный) |
Максимальное число разбиений, которые будут сделаны вниз по дереву . При большей максимальной глубине будет создано больше разбиений, что может увеличить вероятность чрезмерной подгонки модели. Если значение не указано, значение будет определено инструментом на основе количества деревьев, созданных моделью, и размера окна временного шага. | Long |
sample_size (Дополнительный) | Процент обучающих данных, который будет использоваться для соответствия прогнозной модели. Обучающие данные состоят из связанных объясняющих и зависимых переменных, построенных с использованием временных окон. Все остальные обучающие данные будут использованы для оптимизации параметров прогнозной модели. Значение по умолчанию – 100 процентов. | Long |
forecast_approach (Дополнительный) | Указывает, как будут представлены объясняющие и зависимые переменные при обучении модели леса в каждом местоположении. Для обучения модели леса, которая будет использоваться для прогнозирования, необходимо создать наборы объясняющих и зависимых переменных с использованием временных окон. Используйте этот параметр, чтобы указать, будут ли эти переменные линейно детрендированы и будет ли зависимая переменная представлена своим необработанным значением или остатком линейной регрессионной модели. Эта модель линейной регрессии использует все временные шаги в пределах временного окна в качестве объясняющих переменных и использует следующий временной шаг в качестве зависимой переменной. Остаточная величина рассчитывается путем вычитания прогнозируемого значения на основе линейной регрессии из исходного значения зависимой переменной. Если какие-то переменные указаны в параметре Другие переменные или для параметра Масштаб модели выбрано Весь куб или Кластер временных рядов, параметр Значение будет единственным доступным методом прогнозирования. Более подробно о параметре Подход к прогнозу
| String |
outlier_option (Дополнительный) | Задает, будут ли определяться статистически значимые выбросы во временных рядах.
| String |
level_of_confidence (Дополнительный) | Задает уровень достоверности теста выбросов во временных рядах.
| String |
maximum_number_of_outliers | Максимальное число временных шагов, которые могут быть объявлены выбросами в каждом местоположении. Значение по умолчанию составляет 5 процентов (округлено вниз) от количества временных шагов входного куба пространства-времени (значение хотя бы 1 будет использоваться всегда). Значение не может превышать 20 процентов от числа временных шагов. | Long |
other_variables [other_variables,...] (Дополнительный) | Другие переменные во входном кубе пространства-времени, которые будут использованы в качестве независимых переменных для более точного прогноза. | String |
importance_threshold (Дополнительный) | Процент факторов, учитываемых при оценке значимости при прогнозировании переменной анализа. Например, если это значение равно 20, верхние 20 процентов факторов для каждого местоположения будут включены в таблицу значимости. Каждая переменная (переменная анализа, и каждая независимая переменная) однократно представлены как факторы в каждом временном шаге в окне временного шага, поэтому число факторов в каждом местоположении соответствует длине временного окна, умноженной на число переменных. Число факторов, умноженное на порог значимости определяет количество значимых факторов для каждой модели прогнозирования. Значение по умолчанию - 10, оно должно быть целочисленным в диапазоне от 0 до 100. | Long |
output_importance_table (Дополнительный) | Выходная таблица, которая будет содержать наиболее значимые факторы в каждом местоположении. Для масштаба модели отдельного местоположения каждый важный фактор в каждом местоположении куба пространство-время будет представлен строкой в таблице с полями, содержащими имя переменной и связанный временной лаг. Для масштаба модели всего куба и кластера временных рядов все важные факторы во всем кубе или модели кластеров будут представлены строкой. Таблица будет включать диаграмму, отображающую количество наиболее важных факторов по всем местоположениям, разделенным временным лагом. Эта диаграмма позволяет вам визуализировать отложенный (задержанный) эффект между независимой переменной и переменной анализа. | Table |
model_scale (Дополнительный) | Задает масштаб, используемый для оценки моделей прогнозирования и проверки.
| String |
cluster_variable (Дополнительный) | Переменная, которая будет использоваться для группировки местоположений куба пространства-времени по регионам, и для каждого региона будут оцениваться различные модели прогнозирования и проверки. Для переменной нужно использовать результаты кластеризации временных рядов. Переменной кластеризации может быть любая переменная куба пространство-время, в том числе переменная анализа. | String |
Пример кода
Скрипт Python, демонстрирующий использование функции ForestBasedForecast.
# Forecast four time steps using a random forest with detrending.
arcpy.stpm.ForestBasedForecast("CarTheft.nc","Cars_NONE_ZEROS",
"Analysis.gdb/Forecasts", "outForecastCube.nc", 4, 3,
5, 100, "", "", 100, "VALUE_DETREND", "", "", "", "",
"", "", "INDIVIDUAL_LOCATION")Следующий скрипт Python, демонстрирующий использование инструмента ForestBasedForecast для прогнозирования количества угонов автомобилей.
# Forecast change in car thefts using a random forest.
# Import system modules.
import arcpy
# Set property to overwrite existing output, by default.
arcpy.env.overwriteOutput = True
# Set workspace.
workspace = r"C:\Analysis"
arcpy.env.workspace = workspace
# Forecast three time steps using a random forest based on change.
arcpy.stpm.ForestBasedForecast("CarTheft.nc","Cars_NONE_ZEROS","Analysis.gdb/Forecasts",
"outForecastCube.nc", 4, 3, 5, 100, "", "", 100, "RESIDUAL", "IDENTIFY",
"90%", 4, None, 10, None, "INDIVIDUAL_LOCATION")
# Create a feature class visualizing the forecasts.
arcpy.stpm.VisualizeSpaceTimeCube3D("outForecastCube.nc", "Cars_NONE_ZEROS", "VALUE",
"Analysis.gdb/ForecastsFC")Следующий скрипт Python, демонстрирующий использование функции ForestBasedForecast для прогнозирования PM2.5 с помощью других переменных с целью улучшения прогноза.
import arcpy
arcpy.env.workspace = "C:/Analysis"
# Forecast twelve time steps using a random forest.
# Use entire cube model scale and multiple other variables
# Create variable importance table with top 10% of most important variables
arcpy.stpm.ForestBasedForecast("air_quality_cities.nc", "PM25",
"Analysis.gdb/PM25_forecast", "PM25_forecast_cube.nc", 12, None,
30, 100, None, None, 100, "VALUE", "NONE", "90%",15,
"CO;HUMIDITY;O3;PRESSURE;TEMPERATURE;WINDSPEED", 10,
"Analysis.gdb/pm25_importance", "ENTIRE_CUBE")Следующий скрипт Python, демонстрирующий использование функции ForestBasedForecast для прогнозирования численности населения округов с использованием кластеров округов с близкими значениями численности.
import arcpy
arcpy.env.workspace = "C:/Analysis"
# Run time series clustering to cluster counties by population value.
arcpy.stpm.TimeSeriesClustering("USA_County_Population_1969_2019.nc",
"POPULATION_SUM_ZEROS",
"Analysis.gdb/USA_County_Population_TimeSeriesClustering",
"VALUE", None, None, None, "CREATE_POPUP")
# Run forest-based forecast models on each time series cluster
arcpy.stpm.ForestBasedForecast("USA_County_Population_1969_2019.nc",
"POPULATION_SUM_ZEROS",
"Analysis.gdb/USA_County_Population_ForestBasedForecast",
"USA_County_Population_ForestBasedForecast_cube.nc", 20,
None, 3, 100, None, None, 100, "VALUE", "NONE", "90%", 1,
None, 10, None, "TIME_SERIES_CLUSTER", "POPULATION_SUM_ZEROS")Параметры среды
Информация о лицензиях
- Basic: Да
- Standard: Да
- Advanced: Да
Связанные разделы
- Обзор набора инструментов Углубленный анализ пространственно-временных закономерностей
- Обзор группы инструментов Временные ряды прогнозирования
- Прогнозирование подгонки кривой
- Прогноз экспоненциального сглаживания
- Оценка прогнозов по местоположению
- Понимание выбросов в анализе временных рядов
- Как работает инструмент Прогноз на основе леса
- Классификация на основе леса и регрессия
- Как работает Классификация на основе леса и регрессия
- Поиск инструмента геообработки