SAS® 可视化预测特征

分布式环境中的大规模时间序列分析和预测

  • 在分布式内存环境中自动生成大量基于统计的预测。
  • 脚本语言支持分布式内存时间序列分析。
  • 拖拽数据,以便将每个时间序列复制到单个计算节点的内存中。
  • 在节点的一个线程上执行每个时间序列,每个节点针对为其分配的每个时间序列执行编译的脚本。
  • 针对其运行所在的计算机进行优化,用户无需为其他计算机重写代码。

神经网络/机器学习建模策略节点

  • 包括用于生成特征和训练神经网络的面板系列神经网络框架。
  • 提供一个多阶段(神经网络/回归+时间序列)框架,用于创建结合来自不同类型模型的信号的预测方法。
  • 使用堆叠模型(神经网络+时间序列)预测解决具有时间序列特征以及因变量和自变量之间的非线性关系的问题。

灵活的覆盖工具

  • 可实现不受预测层次结构限制的自定义预测调整。
  • 可让您根据属性(如位置、品牌、类别、大小、颜色、倾向性、质量等)选择过滤器。
  • 可让您按过滤器和时间段定义过滤器中包含的所有时间序列的覆盖规范。
  • 包括分面搜索过滤器。
  • 允许使用优化模型分解覆盖。
  • 支持批处理执行和增量数据更新。

支持开源语言

  • 包括支持开源代码 Python 和 R 的外部语言包 (EXTLANG)。
  • 可让您从 Python、R、Java、JavaScript 和 Lua 调用分析操作。

时间序列分析

  • 自相关分析。
  • 交叉相关分析。
  • 季节分解和调整分析。
  • 计数序列分析。
  • 季节性、平稳性、间歇性和试探性 ARMA 定阶的诊断测试。

时频分析

  • 窗口功能。
  • 用于实时和复杂时间序列的傅里叶分析。
  • 短时傅立叶分析。
  • 离散希尔伯特变换。
  • 伪威格纳-维尔分布。

时间序列建模

  • ARIMA 模型(动态回归和转移函数)。
  • 指数平滑模型。
  • 不可观测成分模型。
  • 状态空间模型。
  • 采用 Croston 方法的间歇需求模型。

自动时间序列建模

  • 自动时间序列模型生成。
  • 自动输入变量和事件选择。
  • 自动模型选择。
  • 自动参数优化。
  • 自动预测。

奇异谱分析 (SSA)

  • 单变量 SSA 分解和预测。
  • 多变量 SSA。
  • 自动 SSA。

子空间跟踪 (SST)

  • 对多个时间序列执行高级监视(信号分析)技术。

时间间隔评估

  • 评估输入表中的变量是否适合用作时间 ID 变量。
  • 评估时间间隔规范与日期/日期时间值或用于索引时间序列的观测号的拟合度。
  • 可明确指定为 PROC TSMODEL 的输入,也可由程序根据时间 ID 变量的值进行推断。

分级调节

  • 对层次结构中的每个序列进行单独建模和预测。
  • 在层次结构的多个级别协调预测。

派生属性

  • 创建预定派生属性集,包括:
    • 时间序列属性(最小、最大、均值、缺失等)。
    • 预测属性(模型属性、拟合统计量)。
    • 需求分类属性。
    • 数量/波动性属性。
  • 属性可用于查看器中的分面搜索。

外部细分和需求分类

  • 为 1,000 个段提供支持。
  • 可利用时间序列中的预定义段。
  • 包括基于需求分类的预构建细分模板。

时间序列和预测查看器

  • 提供具有预构建时间序列属性集的时间序列查看器。
  • 提供具有预构建预测属性集的预测查看器。
  • 包括用于查看多个序列的包络图。
  • 允许您对描述性统计量、模型属性和拟合统计量信息使用分面过滤器。

时间序列降维 (TDR) 包

  • 可实现事务时间序列数据的降维,以准备进行时间序列挖掘。
    • 然后,您可应用传统数据挖掘技术(例如聚类、分类、决策树等)。

分布式、可访问和云就绪

  • 在 SAS® Viya® 上运行的可扩展分布式 SAS 平台内存引擎。
  • 分析和数据任务分配到多个计算节点。
  • 支持快速、并发、多用户访问内存数据。
  • 包括容错功能提高可用性。
  • 可让您通过 SAS Viya REST API 将 SAS 分析的功能添加到其他应用程序中。

Back to Top