PREDICT_MOVING_AVERAGE

将由 MOVING_AVERAGE 创建的移动平均值 (MA) 模型应用于输入关系。

移动平均值模型使用早期预测误差进行未来预测。更具体地说，用户指定的“滞后”决定计算期间考虑的早期预测和错误数量。

语法

PREDICT_MOVING_AVERAGE ( 'timeseries‑column'
        USING PARAMETERS
            model_name = 'model‑name'
            [, start = starting‑index]
            [, npredictions = npredictions]
            [, missing = "imputation‑method" ] )
        OVER (ORDER BY 'timestamp‑column')
        FROM input‑relation

OVER (ORDER BY '<span class="code-variable">timestamp‑column</span>')

参数

timeseries‑column

用于进行预测的时间序列列（仅使用模型创建期间指定的最后一个 q 值）。

timestamp‑column

用于进行预测的时间戳列，时间步长一致。

input‑relation

包含 timeseries-column 和 timestamp-column 的输入关系。

请注意，input‑relation 在 start 之前的任何 q（训练期间设置）行中都不能包含缺失值。要处理缺失值，请参阅 IMPUTE 或 线性插值。

参数

model_name

模型的名称（不区分大小写）。

start

INTEGER >q 或 ≤0，预测的起始 input-relation 索引（行）。如果省略，则从 input-relation 末尾开始预测。

如果 start 索引大于 timeseries-column 中的行数 N，则预测 N 到 start 之间的值并使用这些值进行预测。

如果为负，则从 input-relation 末尾倒数，对 start 索引进行标识。

对于 N 行的 input-relation，负值的下限为 -1000 或 -(N-q)，以其中较大者为准。

默认： input‑relation 的末尾

npredictions

INTEGER ≥1，预测时间戳的数量。

默认值： 10

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。如果预测范围内缺失值之前或之后的所有值缺失或无效，则无法指定插值且函数会出错。

默认值： linear_interpolation

示例

请参阅移动平均模型示例。

另请参阅

• MOVING_AVERAGE
• GET_MODEL_SUMMARY