時間序列模型的採礦模型內容 （Analysis Services - 數據採礦）

適用於： SQL Server 2019 和舊版 Analysis Services Azure Analysis Services Fabric/Power BI Premium

所有採礦模型都會使用相同的結構來儲存其內容。 此結構是根據數據採礦內容架構數據列集所定義。 不過，在該標準結構內，包含信息的節點會以不同的方式排列，以代表各種樹狀結構。 本主題描述如何組織節點，以及每個節點對以 Microsoft時間序列演算法為基礎的採礦模型的意義。

如需適用於所有模型類型之一般採礦模型內容的說明，請參閱 採礦模型內容（Analysis Services - 數據採礦）。

檢閱本主題時，您可能會發現它很有用，接著瀏覽時間序列模型的內容。 您可以完成基本數據採礦教學課程來建立時間序列模型。 您在教學課程中建立的模型是混合模型，可同時使用 ARIMA 和 ARTXP 演算法來定型數據。 如需如何檢視採礦模型內容的詳細資訊，請參閱 數據採礦模型查看器。

了解時間序列模型的結構

時間序列模型具有代表模型及其元數據的單一父節點。 在該父節點底下，根據您用來建立模型的演算法，有一或兩個時間序列樹狀結構。

如果您建立混合模型，則會將兩個不同的樹狀結構新增至模型，一個用於ARIMA，另一個用於 ARTXP。 如果您選擇只使用 ARTXP 演算法或只使用 ARIMA 演算法，您將會有對應至該演算法的單一樹狀結構。 您可以藉由設定 FORECAST_METHOD 參數來指定要使用的演算法。 如需如何使用 ARTXP、ARIMA 或混合模型的詳細資訊，請參閱 Microsoft 時間序列演算法。

下圖顯示以預設設定建立的時間序列數據採礦模型範例，以建立混合模型。 因此，您可以更輕鬆地比較這兩個模型之間的差異，此處的 ARTXP 模型會顯示在圖表左側，而 ARIMA 模型會顯示在圖表右側。 雖然 ARTXP 是一種樹狀結構，可分割成較小且較小的分支，但 ARIMA 演算法所建立的結構更像是從較小的元件向上建置的金字塔。

要記住的重點是，資訊是以完全不同的方式排列在 ARIMA 和 ARTXP 樹狀結構內，您應該將這兩個樹狀結構視為只在根節點相關。 雖然為了方便起見，這兩個表示法在一個模型中呈現，但應該視為兩個獨立模型。 ARTXP 代表實際的樹狀結構，但 ARIMA 不會。

當您使用Microsoft一般模型內容樹視圖器來檢視同時使用 ARIMA 和 ARTXP 的模型時，ARTXP 和 ARIMA 模型的節點全都會呈現為父時間序列模型的子節點。 不過，您可以透過套用至節點的標籤，輕鬆地區分它們。

• 第一組節點會標示為 [全部]，並代表 ARTXP 演算法的分析結果。

• 第二組節點會標示為 ARIMA，並代表 ARIMA 演算法的分析結果。

下列各節說明這些模型類型內的節點排列方式。

ARTXP 模型的結構

ARTXP 演算法會建立類似判定樹模型的模型。 它會將可預測的屬性分組，並在找到顯著差異時加以分割。 因此，每個 ARTXP 模型都包含每個可預測屬性的個別分支。 例如，基本數據採礦教學課程會建立模型來預測數個區域的銷售額。 在此情況下，[Amount] 是可預測的屬性，而且會為每個區域建立個別分支。 如果您有兩個可預測的屬性，[Amount] 和 [Quantity]，則會為每個屬性和區域的組合建立個別分支。

ARTXP 分支的最上層節點包含判定樹根節點中相同的資訊。 這包括該節點的子係數目（CHILDREN_CARDINALITY）、符合此節點條件的案例數目（NODE_SUPPORT），以及各種描述性統計數據（NODE_DISTRIBUTION）。

如果節點沒有任何子系，這表示沒有發現任何重大條件，將案例分割成進一步的子群組。 分支此時結束，節點稱為 分葉節點。 分葉節點包含 ARTXP 公式建置組塊的屬性、係數和值。

某些分支可能會有額外的分割，類似於判定樹模型。 例如，代表歐洲區域銷售額的樹狀結構分支會分割成兩個分支。 發現導致兩個群組之間顯著差異的條件時，就會發生分割。 父節點會告訴您造成分割的屬性名稱，例如 [Amount]，以及父節點中有多少案例。 分葉節點提供更多詳細數據：屬性的值，例如 [Sales] >10,000 與 [Sales] < 10,000）、支援每個條件的案例數目，以及 ARTXP 公式。

ARIMA 模型的結構

ARIMA 演算法會為每個資料系列組合建立單一資訊（例如 [區域]）和可預測的屬性（例如 [Sales Amount]）-描述一段時間可預測屬性變更的方程式。

每個數位的方程式都是衍生自多個元件，針對數據中找到的每個周期結構各一個。 例如，如果您有每月收集的銷售數據，演算法可能會偵測每月、每季或每年定期結構。

演算法會針對找到的每個週期性輸出一組個別的父節點和子節點。 默認週期性為 1，用於單一時間配量，且會自動新增至所有模型。 您可以在 PERIODICITY_HINT 參數中輸入多個值，以指定可能的周期結構。 不過，如果演算法未偵測到定期結構，則不會輸出該提示的結果。

模型內容中輸出的每個定期結構都包含下列元件節點：

• 自動回歸順序的節點 （AR）

• 移動平均 的節點（MA）

如需這些詞彙意義的相關信息，請參閱 Microsoft 時間序列演算法。

差異順序 是公式的一個重要部分，而且會以方程式表示。 如需如何使用差異順序的詳細資訊，請參閱 Microsoft 時間序列演算法技術參考。

時間序列的模型內容

本節僅提供採礦模型內容中具有時間序列模型特定相關性之數據行的詳細數據和範例。

如需架構數據列集中一般用途數據行的相關信息，例如MODEL_CATALOG和MODEL_NAME，或如需採礦模型術語的說明，請參閱 採礦模型內容（Analysis Services - 數據採礦）。

MODEL_CATALOG
儲存模型的資料庫名稱。

MODEL_NAME
模型的名稱。

ATTRIBUTE_NAME
節點中表示之數據序列的可預測屬性。 （與 MSOLAP_MODEL_COLUMN的值相同。

NODE_NAME
節點的名稱。

目前，此數據行包含與NODE_UNIQUE_NAME相同的值，不過這可能會在未來版本中變更。

NODE_UNIQUE_NAME
節點的唯一名稱。 模型父節點一律會命名為 TS 。

ARTXP： TS 代表每個節點，後面接著十六進位數值。 節點的順序並不重要。

例如，TS 樹狀結構下直接的 ARTXP 節點可能會編號為 TS00000001-TS0000000b。

ARIMA： ARIMA 樹狀結構中的每個節點都會以 TA 表示，後面接著十六進位數值。 子節點包含父節點的唯一名稱，後面接著另一個十六進位數位，指出節點內的序列。

所有 ARIMA 樹狀結構完全相同。 每個根目錄都包含下表所示的節點和命名慣例：

ARIMA 節點識別碼和類型	節點名稱的範例
ARIMA 根 （27）	TA0000000b
ARIMA 定期結構 （28）	TA00000000b00000000
ARIMA 自動回歸 （29）	TA00000000b000000000
ARIMA 放在 30	TA0000000b0000000001

NODE_TYPE
時間序列模型會根據演算法輸出下列節點類型。

ARTXP：

節點類型標識碼	描述
1 （模型）	時間序列
3 （內部）	表示 ARTXP 時間序列樹狀結構內的內部分支。
16 （時間序列樹狀結構）	對應至可預測屬性和數列之 ARTXP 樹狀結構的根目錄。
15 （時間序列）	ARTXP 樹狀結構中的分葉節點。

ARIMA：

節點類型標識碼	描述
27 （ARIMA 根）	ARIMA 樹狀結構的頂端節點。
28 （ARIMA 定期結構）	描述單一周期結構的 ARIMA 樹狀結構的元件。
29 （ARIMA 自動回歸）	包含單一週期結構的係數。
30 （ARIMA 移動平均）	包含單一週期結構的係數。

NODE_CAPTION
與節點相關聯的標籤或標題。

此屬性主要是為了顯示目的。

ARTXP： 包含節點的分割條件，顯示為屬性和值範圍的組合。

ARIMA： 包含 ARIMA 方程式的簡短形式。

如需 ARIMA 方程式格式的相關信息，請參閱 ARIMA 的採礦圖例。

CHILDREN_CARDINALITY
節點具有的直接子係數目。

PARENT_UNIQUE_NAME
節點父代的唯一名稱。 根層級的任何節點會傳回NULL。

NODE_DESCRIPTION
規則、分割或公式文字中目前節點的描述。

ARTXP： 如需詳細資訊，請參閱 瞭解 ARTXP 樹狀結構。

ARIMA： 如需詳細資訊，請參閱 瞭解 ARIMA 樹狀結構。

NODE_RULE
目前節點中規則、分割或公式的 XML 描述。

ARTXP： NODE_RULE 通常會對應至NODE_CAPTION。

ARIMA： 如需詳細資訊，請參閱 瞭解 ARIMA 樹狀結構。

MARGINAL_RULE
該節點專屬之分割或內容的 XML 描述。

ARTXP： MARGINAL_RULE 通常會對應至NODE_DESCRIPTION。

ARIMA： 永遠空白;請改用 NODE_RULE。

NODE_PROBABILITY
ARTXP： 針對樹狀節點，一律為 1。 對於分葉節點，從模型根節點到達節點的機率。

ARIMA： Always 0。

MARGINAL_PROBABILITY
ARTXP： 針對樹狀節點，一律為 1。 對於分葉節點，從立即父節點到達節點的機率。

ARIMA： Always 0。

NODE_DISTRIBUTION
包含節點機率直方圖的數據表。 在時間序列模型中，這個巢狀數據表包含組合實際回歸公式所需的所有元件。

如需 ARTXP 樹狀結構中節點散發資料表的詳細資訊，請參閱 瞭解 ARTXP 樹狀結構。

如需 ARIMA 樹狀結構中節點散發資料表的詳細資訊，請參閱 瞭解 ARIMA 樹狀結構。

如果您想要看到組成可讀取格式的所有常數和其他元件，請使用 時間序列查看器，按兩下節點，然後開啟 採礦圖例。

NODE_SUPPORT
支援此節點的案例數目。

ARTXP： 針對 （All） 節點，表示分支中包含的時間配量總數。

針對終端節點，表示包含在NODE_CAPTION所描述範圍中的時間配量數目。 終端節點中的時間配量數目一律會加總至分支 （All） 節點NODE_SUPPORT值。

ARIMA： 支援目前周期結構的案例計數。 支援的值會在目前周期結構的所有節點中重複。

MSOLAP_MODEL_COLUMN
節點中表示之數據序列的可預測屬性。 （與 ATTRIBUTE_NAME的值相同。

MSOLAP_NODE_SCORE
數值，描述樹狀結構或分割的資訊值。

ARTXP： 沒有分割之節點的值一律為 0.0。 對於具有分割的節點，值代表分割的有趣程度分數。

如需評分方法的詳細資訊，請參閱 特徵選取（數據採礦）。

ARIMA： ARIMA 模型的貝氏資訊準則 （BIC） 分數。 與方程式相關的所有 ARIMA 節點都會設定相同的分數。

MSOLAP_NODE_SHORT_CAPTION
ARTXP： 與NODE_DESCRIPTION相同的資訊。

ARIMA： 與NODE_CAPTION相同的資訊：也就是 ARIMA 方程式的簡短形式。

瞭解 ARTXP 樹狀結構

ARTXP 模型會清楚分隔數據的區域，這些區域與分割在其他因素上的數據區域是線性的。 無論可預測屬性中的變更可以直接表示為獨立變數的函式，都會計算回歸公式來表示該關聯性

例如，如果大部分數據系列的時間與銷售之間有直接的關聯，則每個數列都會包含在時間序列樹狀結構中（NODE_TYPE =16），而每個數據序列沒有子節點，只有回歸方程式。 不過，如果關聯性不是線性的，ARTXP 時間序列樹狀結構可以在條件上分割成子節點，就像判定樹模型一樣。 藉由檢視 Microsoft 一般內容樹視圖器中的模型內容， 您可以看到分割發生的位置，以及它如何影響趨勢線。

若要進一步瞭解此行為，您可以檢閱在 基本數據採礦教學課程中建立的時間序列模型。 此模型是以 AdventureWorks 數據倉儲為基礎，不會使用特別複雜的數據。 因此，ARTXP 樹狀結構中沒有太多分割。 不過，即使是這個相對簡單的模型，也會說明三種不同的分割：

• 太平洋區域的 [Amount] 趨勢線會根據時間索引鍵分割。 時間索引鍵的分割表示在特定時間點的趨勢有所變更。 趨勢線只有一定點的線性，然後曲線假設不同的形狀。 例如，一個時間序列可能會持續到 2002 年 8 月 6 日，另一個時間序列從該日期之後開始。

• 北美區域的 [Amount] 趨勢線在另一個變數上分割。 在此情況下，北美的趨勢會根據歐洲區域中相同模型的值來分割。 換句話說，演算法偵測到當歐洲的值變更時，北美 A 的值也會變更。

• 歐洲地區的趨勢線本身會分裂。

每個分割的意義為何？ 解譯模型內容所傳達的資訊是一種藝術，需要深入了解數據及其在商務內容中的意義。

• 北美和歐洲地區趨勢之間的明顯聯繫可能只表明，歐洲的數據系列具有更多的 entropy，這導致北美的趨勢顯得較弱。 或者，在計算北美之前，兩者的評分可能沒有任何顯著差異，而相互關聯可能是偶然的。 不過，您可能想要檢閱數據，並確定相互關聯是否為 false，或調查是否涉及其他因素。

• 時間索引鍵上的分割表示線條漸層有統計顯著變化。 這可能是由數學因素所造成，例如支援每個範圍，或分割所需的 entropy 計算。 因此，就模型在真實世界中的意義而言，這種分割可能並不有趣。 不過，當您檢閱分割中所指出的時間週期時，您可能會發現數據中未表示的有趣相互關聯，例如當時開始的銷售促銷或其他事件，且可能會影響數據。

如果數據包含其他屬性，您很可能會在樹狀結構中看到更有趣的分支範例。 例如，如果您追蹤天氣資訊並使用該資訊作為分析的屬性，您可能會在樹狀結構中看到多個分割，代表銷售與天氣的複雜互動。

簡言之，數據採礦對於提供潛在有趣現象發生位置的提示很有用，但需要進一步調查和商務使用者的專業知識，才能準確地解譯內容中信息的價值。

ARTXP 時間序列公式的元素

若要檢視 ARTXP 樹狀結構或分支的完整公式，建議您使用 Microsoft 時間序列查看器的 採礦圖例，以可讀取的格式呈現所有常數。

• 檢視時間序列模型公式 （資料採礦）

下一節提供範例方程式，並說明基本詞彙。

ARTXP 公式的採礦圖例

下列範例顯示模型某一部分的 ARTXP 公式，如 採礦圖例所示。 若要檢視此公式，請開啟您在 Microsoft 時間序列查看器中基本數據採礦教學課程中建立的 [預測] 模型，按兩下 [模型] 索引標籤，然後選取 R250：Europe 數據系列樹狀結構。

若要檢視此範例所使用的方程式，請按兩下代表 2003 年 7 月 5 日或之後日期數列的節點。

樹狀節點方程式範例：

Quantity = 21.322 -0.293 * Quantity(R250 North America,-7) + 0.069 * Quantity(R250 Europe,-1) + 0.023 * Quantity(R250 Europe,-3) -0.142 * Quantity(R750 Europe,-8)

在此情況下，值 21.322 代表 Quantity 預測的值，做為方程式下列元素的函式。

例如，一個元素 Quantity(R250 North America,-7)。 這個表示法表示在目前時間配量之前，t-7的北美洲區域數量，或七個時間配量。 此數據系列的值乘以係數 -0.293。 每個元素的係數都是在定型程式期間衍生的，並且以數據的趨勢為基礎。

此方程式中有多個元素，因為模型已計算出歐洲區域中 R250 模型的數量相依於其他數個數據系列的值。

ARTXP 公式的模型內容

下表顯示公式的相同資訊，使用相關節點的內容，如 Microsoft 一般內容樹視圖器 （數據採礦）所示。

ATTRIBUTE_NAME	ATTRIBUTE_VALUE	支援	概率	方差	VALUETYPE
數量（R250 歐洲，y-intercept）	21.3223433563772	11	0	1.65508795539661	11 （攔截）
數量（R250 歐洲，-1）	0.0691694140876526	0	0	0	7 （係數）
數量（R250 歐洲，-1）	20.6363635858123	0	0	182.380682874818	9 （統計資料）
數量（R750 歐洲，-8）	-0.1421203048299	0	0	0	7 （係數）
數量（R750 歐洲，-8）	22.5454545333019	0	0	104.362130048408	9 （統計資料）
數量（R250 歐洲，-3）	0.0234095979448281	0	0	0	7 （係數）
數量（R250 歐洲，-3）	24.8181818883176	0	0	176.475304989169	9 （統計資料）
數量（R250 北美洲，-7）	-0.292914186039869	0	0	0	7 （係數）
數量（R250 北美洲，-7）	10.36363640433	0	0	701.882534898676	9 （統計資料）

如您所見，從比較這些範例中，採礦模型內容包含與 採礦圖例中可用的相同資訊，但對於 變異數 和 支援的其他數據行。 支援的值表示支援此方程式所描述趨勢的案例計數。

使用 ARTXP 時間序列公式

對大多數商務使用者而言，ARTXP 模型內容的價值在於它會結合樹視圖和數據線性表示。

• 如果可預測屬性中的變更可以表示為獨立變數的線性函數，則演算法會自動計算回歸方程式，並在個別節點中輸出該數列

• 每當關聯性無法表示為線性相互關聯時，時間序列分支會像判定樹一樣。

藉由流覽 Microsoft 時間序列查看器中的模型內容， 您可以看到分割發生的位置，以及它如何影響趨勢線。

如果數據系列的任何部分的時間與銷售之間存在直接相互關聯，取得公式最簡單的方式就是從 採礦圖例複製公式，然後將它貼到檔或簡報中，以協助說明模型。 或者，您可以從該樹狀結構的NODE_DISTRIBUTION數據表中擷取平均值、係數和其他資訊，並用它來計算趨勢的延伸。 如果整個數列表現出一致的線性關聯性，則方程式會包含在 （All） 節點中。 如果樹狀結構中有任何分支，則方程式會包含在分葉節點中。

下列查詢會從採礦模型傳回所有 ARTXP 分葉節點，以及包含方程式的巢狀數據表NODE_DISTRIBUTION。

SELECT MODEL_NAME, ATTRIBUTE_NAME, NODE_NAME,  
NODE_CAPTION,   
(SELECT ATTRIBUTE_NAME, ATTRIBUTE_VALUE, [VARIANCE], VALUETYPE  
FROM NODE_DISTRIBUTION) as t  
FROM Forecasting.CONTENT  
WHERE NODE_TYPE = 15  

瞭解 ARIMA 樹狀結構

ARIMA 模型中的每個結構都會對應至 週期性 或 週期結構。 定期結構是在整個數據系列中重複的數據模式。 在統計限制內，允許模式中的一些次要變化。 週期性是根據定型數據中使用的預設時間單位來測量。 例如，如果定型數據每天提供銷售數據，則默認時間單位為一天，而且所有定期結構都會定義為指定的天數。

演算法偵測到的每個期間都會取得自己的結構節點。 例如，如果您正在分析每日銷售數據，模型可能會偵測代表周的定期結構。 在此情況下，此演算法會在完成的模型中建立兩個定期結構：一個用於預設的每日期間，表示為 {1}，而一個為周，以 {7}表示。

例如，下列查詢會從採礦模型傳回所有 ARIMA 結構。

SELECT MODEL_NAME, ATTRIBUTE_NAME, NODE_NAME, NODE_CAPTION  
FROM Forecasting.CONTENT  
WHERE NODE_TYPE = 27  

範例結果：

MODEL_NAME	ATTRIBUTE_NAME	NODE_NAME	NODE_TYPE	NODE_CAPTION
預測	M200 Europe：Quantity	TA00000000	27	ARIMA （1,0,1）
預測	M200 北美洲：Quantity	TA00000001	27	ARIMA （1,0,4） X （1,1,4）（6）
預測	M200 Pacific：Quantity	TA00000002	27	ARIMA （2,0,8） X （1,0,0）（4）
預測	M200 Pacific：Quantity	TA00000002	27	ARIMA （2,0,8） X （1,0,0）（4）
預測	R250 Europe：Quantity	TA00000003	27	ARIMA （1,0,7）
預測	R250 北美洲：Quantity	TA00000004	27	ARIMA （1,0,2）
預測	R250 Pacific：Quantity	TA00000005	27	ARIMA （2,0,2） X （1,1,2）（12）
預測	R750 Europe：Quantity	TA00000006	27	ARIMA （2,1,1） X （1,1,5）（6）
預測	T1000 Europe：Quantity	TA00000009	27	ARIMA （1,0,1）
預測	T1000 北美洲：Quantity	TA00000000a	27	ARIMA （1,1,1）
預測	T1'000 Pacific：Quantity	TA0000000b	27	ARIMA （1,0,3）

從這些結果中，您也可以使用 Microsoft 一般內容樹視圖器（數據採礦）來流覽，您可以一眼就能看出哪些數列是完全線性的，這些數列具有多個周期結構，以及探索到的週期性為何。

例如，M200 Europe 系列的 ARIMA 方程式簡短形式會告訴您只偵測到預設或每日迴圈。 方程式的簡短形式會在NODE_CAPTION數據行中提供。

然而，對於M200北美系列，發現了一個額外的定期結構。 節點TA00000001有兩個子節點，一個具有方程式（1,0,4），另一個具有方程式（1,1,4）（6）。 這些方程式會串連並在父節點中呈現。

針對每個定期結構，模型內容也會提供 順序，以及 移動平均 作為子節點。 例如，下列查詢會擷取上一個範例中所列其中一個節點的子節點。 請注意，數據行PARENT_UNIQUE_NAME必須以括弧括住，才能與相同名稱的保留關鍵詞區別。

SELECT *   
FROM Forecasting.CONTENT  
WHERE [PARENT_UNIQUE_NAME] = ' TA00000001'  

因為這是 ARIMA 樹狀結構，而非 ARTXP 樹狀結構，因此您無法使用 IsDescendant （DMX） 函式來傳回此定期結構的子節點。 相反地，您可以使用 屬性和節點類型來篩選結果，並傳回子節點，以提供方程式建置方式的詳細數據，包括移動平均和差異順序。

SELECT MODEL_NAME, ATTRIBUTE_NAME, NODE_UNIQUE_NAME,  
NODE_TYPE,  NODE_CAPTION  
FROM Forecasting.CONTENT  
WHERE [MSOLAP_MODEL_COLUMN] ='M200 North America:Quantity'  
AND (NODE_TYPE = 29 or NODE_TYPE = 30)  

範例結果：

MODEL_NAME	ATTRIBUTE_NAME	NODE_UNIQUE_NAME	NODE_TYPE	NODE_CAPTION
預測	M200 北美洲：Quantity	TA00000001000000010	29	ARIMA {1,0.961832044807041}
預測	M200 北美洲：Quantity	TA00000001000000011	30	ARIMA {1，-3.51073103693271E-02,2.15731642954099，-0.2203143327742，-1.33151478258758}
預測	M200 北美洲：Quantity	TA00000001000000000	29	ARIMA {1,0.643565911081657}
預測	M200 北美洲：Quantity	TA00000001000000001	30	ARIMA {1,1.45035399809581E-02，-4.40489283927752E-02，-0.19203901352577,0.242202497643993}

這些範例說明您進一步向下切入至 ARIMA 樹狀結構，則會顯示更多詳細數據，但重要資訊也會合併並顯示在父節點中。

ARIMA 的時間序列公式

若要檢視任何 ARIMA 節點的完整公式，建議您使用 Microsoft 時間序列查看器的 採礦圖例，其中呈現自動回歸順序、移動平均值，以及已以一致格式撰寫之方程式的其他元素。

• 檢視時間序列模型公式 （資料採礦）

本節提供範例方程式，並說明基本詞彙。

ARIMA 公式的採礦圖例

下列範例顯示模型某一部分的 ARIMA 公式，如採礦圖例所示。 若要檢視此公式，請使用 Microsoft 時間序列查看器開啟 預測 模型，按兩下 [模型] 索引標籤，選取 [R250： Europe 數據系列] 的樹狀結構，然後按兩下代表 2003 年 7 月 5 日或之後日期序列的節點。 採礦圖例會以可讀取格式組成所有常數，如下列範例所示：

ARIMA 方程式：

ARIMA ({1,1},0,{1,1.49791920964142,1.10640053499397,0.888873034670339,-5.05429403071953E-02,-0.905265316720334,-0.961908900643379,-0.649991020901922}) Intercept:56.8888888888889

此方程式是長 ARIMA 格式，其中包含係數和截距的值。 此方程式的簡短格式會 {1,0,7}，其中 1 表示期間為時間配量計數，0 表示字詞差異順序，7 表示係數數目。

ARIMA 公式的模型內容

ARIMA 模型遵循標準結構，其中包含不同類型的節點中所包含的不同資訊。 若要檢視 ARIMA 模型的模型內容，請將檢視器變更為 Microsoft 一般內容樹視圖器，然後展開具有屬性名稱的節點，R250 Europe：Quantity。

數據系列的 ARIMA 模型包含四種不同格式的基本定期方程式，您可以根據應用程式從中選擇。

NODE_CAPTION： 顯示方程序的簡短格式。 簡短格式會告訴您代表多少個周期結構，以及其具有多少係數。 例如，如果方程式的簡短格式是 {4,0,6}，則節點代表具有 6 個係數的一個周期結構。 如果簡短格式類似 {2,0,8} x {1,0,0}(4)，節點會包含兩個周期結構。

NODE DESCRIPTION： 顯示方程式的長格式，這也是出現在 採礦圖例中的方程式形式。 方程序的長形式與簡短形式類似，不同之處在於顯示係數的實際值，而不是計算。

NODE_RULE： 顯示方程式的 XML 表示法。 根據節點類型，XML 表示法可以包含單一或多個周期結構。 下表說明 XML 節點如何匯總至較高層級的 ARIMA 模型。

節點類型	XML 內容
27 （ARIMA 根）	包含數據系列的所有定期結構，以及每個周期結構之所有子節點的內容。
28 （ARIMA 定期結構）	定義單一周期結構，包括其自動回歸字詞節點及其移動平均係數。
29 （ARIMA 自動回歸）	列出單一定期結構的字詞。
30 （ARIMA 移動平均）	列出單一周期結構的係數。

NODE_DISTRIBUTION： 在巢狀數據表中顯示方程式的字詞，您可以查詢以取得特定字詞。 節點散發數據表遵循與 XML 規則相同的階層式結構。 也就是說，ARIMA 系列 （NODE_TYPE = 27） 的根節點包含截距值和完整方程式的週期性，這可以包含多個週期性，而子節點只包含特定周期結構或該周期結構子節點的特定資訊。

節點類型	屬性	實值類型
27 （ARIMA 根）	攔截 週期性	11
28 （ARIMA 定期結構）	週期性 自動回歸順序 差異順序 移動平均順序	12 13 15 14
29 （ARIMA 自動回歸）	係數 （係數補碼）	7
30 （ARIMA 移動平均）	位於 t 的值 t-1 的值 ... t-n 的值	7

移動平均順序的值 表示數列中移動平均的數目。 一般而言，如果數列中有 n 詞彙，則移動平均會計算 n-1 次，但可以減少此數位，以方便計算。

自動回歸順序的值 表示自動回歸數列的數目。

差異順序的值 指出數列的比較次數或差異。

如需可能實值類型的列舉，請參閱 Microsoft.AnalysisServices.AdomdServer.MiningValueType。

使用 ARIMA 樹狀結構資訊

如果您使用以商務方案中 ARIMA 演算法為基礎的預測，您可能會想要將方程式貼到報表中，以示範用來建立預測的方法。 您可以使用標題以簡短格式呈現公式，或描述以長格式呈現公式。

如果您要開發使用時間序列預測的應用程式，您可能會發現從模型內容取得 ARIMA 方程式，然後進行自己的預測會很有用。 若要取得任何特定輸出的 ARIMA 方程式，您可以直接查詢該特定屬性的 ARIMA 根目錄，如先前範例所示。

如果您知道包含所需數列的節點識別碼，您有兩個選項可擷取方程式元件：

• 巢狀數據表格式：透過OLEDB用戶端使用 DMX 查詢或查詢。

• XML 表示法：使用 XML 查詢。

言論

從 ARTXP 樹狀結構擷取資訊可能很困難，因為每個分割的資訊都位於樹狀結構內的不同位置。 因此，使用 ARTXP 模型時，您必須取得所有片段，然後執行一些處理來重新建立完整的公式。 從 ARIMA 模型擷取方程序比較容易，因為公式已在樹狀結構中提供。 如需如何建立查詢以擷取這項資訊的資訊，請參閱 時間序列模型查詢範例。

另請參閱

採礦模型內容 （Analysis Services - 數據採礦）
Microsoft 時間序列演算法
時間序列模型查詢範例
Microsoft 時間序列演算法技術參考