AUTOREGRESSOR

通过具有一致时间步长的平稳时间序列创建自回归 (AR) 模型，此模型可用于通过 PREDICT_AUTOREGRESSOR 进行预测。

自动回归模型将根据先前的值来预测时间序列的未来值。更具体地说，用户指定的 lag 决定了该模型在计算过程中要考虑多少个先前的时间段，且预测值为每个 lag 的线性组合。

由于输入数据必须按时间戳排序，因此，此算法为单线程算法。

这是元函数。您必须在顶级 SELECT 语句中调用元函数。

行为类型

易变

语法

AUTOREGRESSOR ('model‑name', 'input‑relation', 'data‑column', 'timestamp‑column'
        [ USING PARAMETERS
              [ p = lags ]
              [, missing = "imputation‑method" ]
              [, regularization = "regularization‑method" ]
              [, lambda = regularization‑value ]
              [, compute_mse = boolean ]
        ] )

参数

model‑name

标识要创建的模型，其中 model‑name 符合标识符中描述的约定。 同一架构中的序列、表、投影、视图和模型中也必须是唯一的。

input‑relation

包含 timestamp‑column 的表或视图。

该算法需要平稳的时间序列作为输入；使用平均值随着时间变化的时间序列可能会导致结果欠佳。

data‑column

包含因变量或结果的 NUMERIC 类型的输入列。

timestamp‑column

表示时间戳变量的 INTEGER、FLOAT 或 TIMESTAMP 列。时间步长必须一致。

参数

p

[1, 1999] 范围内的 INTEGER，表示计算中要考虑的滞后数。较大的 p 值会削弱相关性。

默认值： 3

missing

用于处理缺失值的方法，为以下之一：

• drop：忽略缺失值。

• error：缺失值会引发错误。

• zero：将缺失值替换为 0。

• linear_interpolation：将缺失值替换为基于缺失值前后最近的有效条目的线性插值。这意味着如果数据集中第一个或最后一个值缺失，会将其直接删除。

默认值： linear_interpolation

regularization

拟合数据时使用的正则化方法，为以下之一：

• 无

• L2：权重正则化项，即惩罚权重的平方值

默认值： 无

lambda

[0, 100000] 范围内的 FLOAT，正则化值 lambda。

默认值： 1.0

compute_mse

BOOLEAN，是否计算并输出均方误差 (MSE)。

默认值： False

示例

请参阅自回归模型示例。

另请参阅

• PREDICT_AUTOREGRESSOR
• GET_MODEL_SUMMARY