TimeSeriesCatalog.DetectSeasonality Methode
Definition
Wichtig
Einige Informationen beziehen sich auf Vorabversionen, die vor dem Release ggf. grundlegend überarbeitet werden. Microsoft übernimmt hinsichtlich der hier bereitgestellten Informationen keine Gewährleistungen, seien sie ausdrücklich oder konkludent.
In Zeitreihendaten ist die Saisonalität (oder Periodizität) die Anwesenheit von Variationen, die in bestimmten regelmäßigen Abständen auftreten, z. B. wöchentlich, monatlich oder vierteljährlich.
Diese Methode erkennt dieses vorhersagbare Intervall (oder einen Zeitraum) durch Die Annahme von Techniken der Fourieranalyse. Wenn die Eingabewerte das gleiche Zeitintervall aufweisen (z. B. sensorische Daten, die in jeder zweiten Reihenfolge nach Zeitstempeln gesammelt werden), verwendet diese Methode eine Liste der Zeitreihendaten und gibt den regulären Zeitraum für die Eingabesaisondaten zurück, wenn eine vorhersagbare Schwankung oder ein Muster gefunden werden kann, dass in diesem Zeitraum während der Eingabewerte rekursiert oder wiederholt wird.
Gibt -1 zurück, wenn kein solches Muster gefunden wird, also die Eingabewerte, folgen keine saisonalen Schwankungen.
public static int DetectSeasonality (this Microsoft.ML.AnomalyDetectionCatalog catalog, Microsoft.ML.IDataView input, string inputColumnName, int seasonalityWindowSize = -1, double randomnessThreshold = 0.95);static member DetectSeasonality : Microsoft.ML.AnomalyDetectionCatalog * Microsoft.ML.IDataView * string * int * double -> int<Extension()>
Public Function DetectSeasonality (catalog As AnomalyDetectionCatalog, input As IDataView, inputColumnName As String, Optional seasonalityWindowSize As Integer = -1, Optional randomnessThreshold As Double = 0.95) As IntegerParameter
- catalog
- AnomalyDetectionCatalog
Der Katalog zur Erkennung der Saisonalität.
- seasonalityWindowSize
- Int32
Eine obere Grenze für die Anzahl der Werte, die in den Eingabewerten berücksichtigt werden sollen. Wenn sie auf -1 festgelegt ist, verwenden Sie die gesamte Eingabe, um das Modell anzupassen; wenn sie auf eine positive ganze Zahl festgelegt ist, wird nur die erste WindowSize-Anzahl von Werten berücksichtigt. Standardwert ist -1.
- randomnessThreshold
- Double
Zufallsschwellenwert , der angibt, wie sicher die Eingabewerte einem vorhersagbaren Muster entsprechen, das als saisonbedingte Daten wiederholt wird. Der Bereich liegt zwischen [0, 1]. Standardmäßig ist sie als 0,95 festgelegt.
Gibt zurück
Das reguläre Intervall für die Eingabe als saisonale Daten, andernfalls gibt "-1" zurück.
Beispiele
using System;
using System.Collections.Generic;
using System.Linq;
using Microsoft.ML;
using Microsoft.ML.TimeSeries;
namespace Samples.Dynamic
{
public static class DetectSeasonality
{
public static void Example()
{
/* Create a new ML context, for ML.NET operations. It can be used for
exception tracking and logging, as well as the source of randomness.*/
var mlContext = new MLContext();
// Create a seasonal data as input: y = sin(2 * Pi + x)
var seasonalData = Enumerable.Range(0, 100).Select(x => new TimeSeriesData(Math.Sin(2 * Math.PI + x)));
// Load the input data as a DataView.
var dataView = mlContext.Data.LoadFromEnumerable(seasonalData);
/* Two option parameters:
* seasonalityWindowSize: Default value is -1. When set to -1, use the whole input to fit model;
* when set to a positive integer, only the first windowSize number of values will be considered.
* randomnessThreshold: Randomness threshold that specifies how confidence the input values follows
* a predictable pattern recurring as seasonal data. By default, it is set as 0.99.
* The higher the threshold is set, the more strict recurring pattern the
* input values should follow to be determined as seasonal data.
*/
int period = mlContext.AnomalyDetection.DetectSeasonality(
dataView,
nameof(TimeSeriesData.Value),
seasonalityWindowSize: 40);
// Print the Seasonality Period result.
Console.WriteLine($"Seasonality Period: #{period}");
}
private class TimeSeriesData
{
public double Value;
public TimeSeriesData(double value)
{
Value = value;
}
}
}
}