Прогноз экспоненциального сглаживания (Инструменты пространственно-временных закономерностей)

Краткая информация

Прогнозирует значения каждого местоположения куба пространство-время с помощью метода экспоненциального сглаживания Хольта-Винтерса путем разложения временного ряда в каждом кубе местоположения на сезонные компоненты и компоненты тренда.

Более подробно о том, как работает инструмент Прогноз с помощью экспоненциального сглаживания

Иллюстрация

Использование

Этот инструмент принимает файлы netCDF, созданные с помощью инструментов Создать куб пространство-время по агрегации точек, Создать куб пространство-время из указанных объектов и Создать куб пространство-время из многомерного растрового слоя.
По сравнению с другими инструментами прогнозирования в группе инструментов Прогнозирование временных рядов, этот инструмент рекомендуется для данных с умеренными трендами и сильным сезонным поведением. При использовании модели экспоненциального сглаживания предполагается, что сезонное поведение и тренд можно разделить, поэтому модель наиболее эффективна для данных, тренд которых изменяется постепенно и следует последовательным сезонным закономерностям во времени.
Несколько прогнозируемых кубов пространство-время можно сравнить и объединить с помощью инструмента Оценить прогнозы по местоположению. Это позволит создавать несколько прогнозных кубов с использованием различных инструментов и параметров прогнозирования, а инструмент будет определять наилучший прогноз для каждого местоположения, используя для прогноза Среднеквадратичную ошибку (RMSE), либо Проверку RMSE.
Для каждого места в параметре Входной куб Пространство-Время инструмент строит две модели, которые служат разным целям.
- Forecast model—Эта модель используется для прогнозирования значений куба пространство-время путем выполнения экспоненциального сглаживания значений временного ряда и распространения этого сглаживания на будущие временные шаги. Подгонка прогнозной модели к значениям куба пространство-время измеряется прогнозным значением RMSE.
- Validation model—Эта модель используется для проверки модели прогноза и проверки того, насколько точно она может прогнозировать значения. Если для параметра Число временных шагов, исключаемых для проверки указано число больше 0, эта модель строится с использованием включенных временных шагов и используется для прогнозирования значений временных шагов, которые были исключены. Это позволяет увидеть, насколько хорошо модель может прогнозировать значения. Подгонка прогнозных значений к исключенным значениям измеряется Проверкой RMSE.
Более подробно о прогнозной модели, модели проверки и статистике RMSE
Значения параметра Выходные объекты будут добавлены на панель Содержание с отображением, основанным на конечном прогнозируемом временном шаге.
Этот инструмент создает сообщения геообработки и всплывающие диаграммы, которые помогут вам понять и визуализировать результаты прогноза. Сообщения содержат информацию о структуре куба пространство-время и сводную статистику значений RMSE и длин сезонов. Если щелкнуть объект с помощью инструмента навигации Исследовать, отображается диаграмма-график во всплывающей панели, которая показывает значения куба пространство-время, соответствующие значения леса, прогнозные значения и допустимые границы для этого местоположения.
Параметр Опция выброса может использоваться для определения статистически значимых выбросов в значениях временных рядов в каждом местоположении.

Более подробно об определении выбросов во временных рядах
Решение о том, сколько временных шагов следует исключить для проверки, является важным выбором. Чем больше временных шагов исключается, тем меньше остается времени для оценки модели проверки. Однако если исключить слишком мало временных шагов, то Проверка RMSE будет оцениваться с использованием небольшого объема данных и может выдать результат, вводящий в заблуждение. Рекомендуется исключить как можно больше временных шагов при сохранении достаточного их количества для оценки модели проверки. Также предполагается, что вы удерживаете по крайней мере такое количество временных шагов для проверки, равное количеству временных шагов, которые вы собираетесь спрогнозировать, если куб пространство-время имеет достаточно временных шагов, чтобы позволить это.
Модель экспоненциального сглаживания предполагает, что все компоненты являются аддитивными и линейными. Затухающий тренд используется всегда, а аддитивная сезонность поддерживается, но не является обязательной. Доверительные интервалы строятся исходя из допущения, что невязки являются аддитивными и нормально распределенными.

Узнайте больше о компонентах модели экспоненциального сглаживания

Подпись	Объяснение	Тип данных
Входной куб пространство-время	Куб netCDF, содержащий переменную, которую вы хотите спрогнозировать на будущие временные шаги. Этот файл должен иметь расширение `.nc` и должен быть создан с помощью инструментов Создать куб пространство-время по агрегации точек, Создать куб пространство-время из указанных местоположений или Создать куб пространство-время из многомерного растрового слоя.	File
Переменная анализа	Числовая переменная в файле netCDF, которая будет прогнозироваться на будущие временные шаги.	String
Выходные объекты	Выходной класс объектов всех местоположений в кубе пространство-время с прогнозируемыми значениями, сохраненными в виде полей. Слой отображает прогноз для последнего временного шага и содержит всплывающие диаграммы, показывающие временные ряды, прогнозы и 90-процентные допустимые границы для каждого местоположения.	Feature Class
Выходной куб пространство-время (Дополнительный)	Новый куб пространство-время (файл `.nc`), содержащий значения входного куба пространство-время с добавлением прогнозируемых временных шагов. Можно использовать инструмент Создать слой куба пространство-время, чтобы создать слой куба, который можно использовать для одновременного просмотра наблюдаемых и предсказанных значений.	File
Количество временных шагов для прогноза (Дополнительный)	Положительное целое число, определяющее количество временных шагов для прогнозирования. Это значение не может превышать 50 процентов от общего количества временных шагов во входном кубе пространство-время. Значение по умолчанию равно одному временному шагу.	Long
Длительность сезона	Количество временных шагов, соответствующих одному сезону для местоположения. Если данные отображают несколько сезонов, для наиболее надежных результатов рекомендуется использовать самый длинный сезон. Если значение не указано, длительность сезона оценивается инструментом для каждого местоположения с использованием функции спектральной плотности.	Long
Количество временных шагов, исключаемых для проверки (Дополнительный)	Количество временных шагов в конце каждого временного ряда, которые необходимо исключить для проверки. Значение по умолчанию равно 10 процентам (округляется в меньшую сторону) от числа входных временных шагов, и это значение не может быть больше 25 процентов от числа временных шагов. Укажите значение 0, чтобы не исключать никаких временных шагов.	Long
Опция Выброс (Дополнительный)	Задает, будут ли определяться статистически значимые выбросы во временных рядах. Нет–Выбросы не будут определяться. Используется по умолчанию. Определять выбросы–Выбросы будут определяться с использованием теста Генерализованный ESD.	String
Уровень достоверности (Дополнительный)	Задает уровень достоверности, который будет использоваться для теста выбросов во временных рядах. 90%–Уровень достоверности для теста будет 90 процентов. Используется по умолчанию. 95%–Уровень достоверности для теста будет 95 процентов. 99%–Уровень достоверности для теста будет 99 процентов.	String
Максимальное число выбросов	Максимальное число временных шагов, которые могут быть объявлены выбросами в каждом местоположении. Значение по умолчанию составляет 5 процентов (округлено вниз) от количества временных шагов входного куба пространства-времени (значение хотя бы 1 будет использоваться всегда). Значение не может превышать 20 процентов от числа временных шагов.	Long

arcpy.stpm.ExponentialSmoothingForecast(in_cube, analysis_variable, output_features, {output_cube}, {number_of_time_steps_to_forecast}, season_length, {number_for_validation}, {outlier_option}, {level_of_confidence}, maximum_number_of_outliers)

Имя	Объяснение	Тип данных
in_cube	Куб netCDF, содержащий переменную, которую вы хотите спрогнозировать на будущие временные шаги. Этот файл должен иметь расширение `.nc` и должен быть создан с помощью инструментов Создать куб пространство-время по агрегации точек, Создать куб пространство-время из указанных местоположений или Создать куб пространство-время из многомерного растрового слоя.	File
analysis_variable	Числовая переменная в файле netCDF, которая будет прогнозироваться на будущие временные шаги.	String
output_features	Выходной класс объектов всех местоположений в кубе пространство-время с прогнозируемыми значениями, сохраненными в виде полей. Слой отображает прогноз для последнего временного шага и содержит всплывающие диаграммы, показывающие временные ряды, прогнозы и 90-процентные допустимые границы для каждого местоположения.	Feature Class
output_cube (Дополнительный)	Новый куб пространство-время (файл `.nc`), содержащий значения входного куба пространство-время с добавлением прогнозируемых временных шагов. Можно использовать инструмент Создать слой куба пространство-время, чтобы создать слой куба, который можно использовать для одновременного просмотра наблюдаемых и предсказанных значений.	File
number_of_time_steps_to_forecast (Дополнительный)	Положительное целое число, определяющее количество временных шагов для прогнозирования. Это значение не может превышать 50 процентов от общего количества временных шагов во входном кубе пространство-время. Значение по умолчанию равно одному временному шагу.	Long
season_length	Количество временных шагов, соответствующих одному сезону для местоположения. Если данные отображают несколько сезонов, для наиболее надежных результатов рекомендуется использовать самый длинный сезон. Если значение не указано, длительность сезона оценивается инструментом для каждого местоположения с использованием функции спектральной плотности.	Long
number_for_validation (Дополнительный)	Количество временных шагов в конце каждого временного ряда, которые необходимо исключить для проверки. Значение по умолчанию равно 10 процентам (округляется в меньшую сторону) от числа входных временных шагов, и это значение не может быть больше 25 процентов от числа временных шагов. Укажите значение 0, чтобы не исключать никаких временных шагов.	Long
outlier_option (Дополнительный)	Задает, будут ли определяться статистически значимые выбросы во временных рядах. `NONE`–Выбросы не будут определяться. Используется по умолчанию. `IDENTIFY`–Выбросы будут определяться с использованием теста Генерализованный ESD.	String
level_of_confidence (Дополнительный)	Задает уровень достоверности, который будет использоваться для теста выбросов во временных рядах. `90%`–Уровень достоверности для теста будет 90 процентов. Используется по умолчанию. `95%`–Уровень достоверности для теста будет 95 процентов. `99%`–Уровень достоверности для теста будет 99 процентов.	String
maximum_number_of_outliers	Максимальное число временных шагов, которые могут быть объявлены выбросами в каждом местоположении. Значение по умолчанию составляет 5 процентов (округлено вниз) от количества временных шагов входного куба пространства-времени (значение хотя бы 1 будет использоваться всегда). Значение не может превышать 20 процентов от числа временных шагов.	Long

Пример кода

ExponentialSmoothingForecast, пример 1 (окно Python)

В следующем скрипте Python показано, как использовать инструмент ExponentialSmoothingForecast.

import arcpy
arcpy.env.workspace = "C:/Analysis"

# Forecast four time steps using exponential smoothing.
arcpy.stpm.ExponentialSmoothingForecast("Temperature.nc","Temp_NONE_ZEROS",
                                        "Analysis.gdb/Forecasts",
                                        "outForecastCube.nc", 4, 2, 5)

ExponentialSmoothingForecast, пример 2 (автономный скрипт)

В следующем скрипте Python показано использование инструмента ExponentialSmoothingForecast для прогноза температуры.

# Forecast temperature using exponential smoothing.

# Import system modules.
import arcpy

# Set property to overwrite existing output.
arcpy.env.overwriteOutput = True

# Set workspace.
workspace = r"C:\Analysis"
arcpy.env.workspace = workspace

# Forecast three time steps.
arcpy.stpm.ExponentialSmoothingForecast("Temperature.nc","Temp_NONE_ZEROS",
                                        "Analysis.gdb/Forecasts",
                                        "outForecastCube.nc", 3, 2, 5,
                                        "IDENTIFY", "90%", 4)

# Create a feature class visualizing the forecasts.
arcpy.stpm.VisualizeSpaceTimeCube3D("outForecastCube.nc", "Temp_NONE_ZEROS",
                                    "VALUE", "Analysis.gdb/ForecastsFC")

Параметры среды

Выходная система координат

Информация о лицензировании

Basic: Да
Standard: Да
Advanced: Да