您在此处：
预测
在 Data 360 中使用预测，以从历史数据预测未来值。预测模型自动识别趋势和季节性模式，以生成预测，而无需数据科学专业知识。
默认算法是 Holt-Winters，它最适合具有明确趋势和重复季节性模式的结构化时间序列数据。例如，每个季度达到峰值的零售额，或随时间稳步增长的月收入。
备注
所有预测模型和算法都使用新的运行时。
预测支持各种用例。
- 收入预测：使用历史绩效数据预测未来收入趋势
- 需求计划：估算不同时间段的产品或服务需求
- 销售趋势分析：确定漏斗或预订的增长或下降模式
- 容量规划：根据历史使用趋势预测资源需求
- 季节性模式分析：分析业务活动重复出现的峰值和下降
单变量预测通过使用一个历史变量来启用这些用例。例如，在存在明确界定的度量时，仅使用过去的收入数据来预测下个月的收入。
预测的工作方式
预测模型从历史时间序列数据中学习 - 定期记录的一系列值，例如日销售额或月收入。该模型识别模式，例如趋势方向和季节性，并将这些模式预测到未来，以生成预测。
预测输出包含表示预测中不确定性的预测间隔。上限和下限定义了预期值的范围，其中范围越窄表示置信度越高。
每个预测记录包括以下输出：
- 预测值 — 每个未来时间段的预测值
- 预测上限 — 预测范围的高端
- 预测下限 — 预测范围的下限
查看这些预测概念。
分区列定义了 Data 360 如何分组预测数据。例如，在按客户预测收入时，客户字段是分区列。每个模型支持最多五个分区列，支持跨多个维度的分段预测。
时间序列分组定义了数据的聚合间隔，例如分钟、天、月或年。模型会自动从该分组中推断预测频率，您无需单独配置。
季节性捕捉在固定时间间隔内重复出现的重复模式，例如每周流量高峰或每季度销售额增长。手动定义最多 24 个期间的季节性。
空处理会使用内置的插补方法自动插补训练数据中的缺失值。该模型仅在训练期间使用输入值，不会将其写入预测输出。
注意事项
查看这些注意事项。
-
预测推理消耗推理计费表。
-
批处理转换预测也会消耗数据转换 — 基于已处理行的批处理表。
-
如果未可靠地输入缺失值，预测推理将停止。
- 使用 Holt Winters 预测
使用 Holt-Winters 算法，根据单个变量中的历史模式预测未来值。例如，使用数据转换，根据业务机会数据按客户预测销售。
本文章是否解决您的问题？
请与我们共享您的想法，以便我们进行改进！
