Platform For AI：Prophet

使用限制

支援的計算引擎為MaxCompute。

可視化配置組件參數

• 輸入樁

  輸入樁（從左至右）	資料類型	建議上遊組件	是否必選
  資料	無	讀資料表 讀CSV檔案 特徵工程 資料預先處理	是

• 組件參數

  頁簽	參數	描述
  欄位設定	Value列	類型是STRING，並且格式是MTable。可以通過MATBEL彙總組件構造，其中彙總的資料有一列是Datetime類型，作為時序列。MTable樣本：{"data":{"ds":["2019-05-07 00:00:00.0","2019-05-08 00:00:00.0"],"val":[8588.0,8521.0]},"schema":"ds TIMESTAMP,val DOUBLE"}。
  	演算法保留列	選擇演算法保留列的名稱。
  參數設定	預測結果列名	預測結果列的列名稱。
  	cap	預測值上界。
  	changepoint_prior_scale	預設值0.05。
  	change_point_range	趨勢變化點的比例，預設值0.8。
  	changepoints	突變點列表。格式以半形逗號（,）分隔。樣本：2021-05-02,2021-05-07。
  	daily_seasonality	是否按天擬合季節性，預設值auto。
  	floor	預測值下界。
  	growth	趨勢類型，取值如下： Linear（預設值） Logistic Flat
  	節假日	不同節假日用空格分隔，格式樣本：playoff:2021-05-03,2021-01-03 superbowl:2021-02-07,2021-11-02。
  	holidays_prior_scale	節假日模型參數，預設值10.0。
  	include_history	是否預測原資料中的日期對應的值。
  	interval_width	不確定區間，預設值0.8。
  	mcmc_samples	整數，進行貝葉斯推斷使用的樣本個數。如果是0，進行MAP估計。估計預設值100。
  	n_change_point	突變點的數目，預設值25。
  	預測條數	取值範圍（0, inf），預設值12。
  	預測詳細資料列名	預測詳細列的列名稱。
  	seasonality_mode	季節性類型，取值如下： ADDITIVE（預設值） MULTIPLICATIVE
  	seasonality_prior_scale	季節性模型的參數，預設值10.0。
  	初始值	初始模型，預設無初始值。
  	用來計算指標的採樣數目	預設值1000。採樣用於計算統計指標，如果不需要統計指標，並且需要提速，設定成0。
  	weekly_seasonality	是否按周擬合季節性，預設值auto。
  	yearly_seasonality	是否按年擬合季節性，預設值auto。
  	組件多線程線程個數	組件多線程線程個數。
  執行調優	節點個數	與單個節點記憶體大小參數配對使用。取值為[1, 9999]的正整數。
  	單個節點記憶體大小，單位M	取值範圍為1024 MB~64*1024 MB。

通過代碼方式配置組件

您可以將以下代碼複製到PyAlink指令碼組件中，使PyAlink指令碼組件實現與該組件相同的功能。

import time, datetime
import numpy as np
import pandas as pd

downloader = AlinkGlobalConfiguration.getPluginDownloader()
downloader.downloadPlugin('tf115_python_env_linux')

data = pd.DataFrame([
			[1,  datetime.datetime.fromtimestamp(1), 10.0],
			[1,  datetime.datetime.fromtimestamp(2), 11.0],
			[1,  datetime.datetime.fromtimestamp(3), 12.0],
			[1,  datetime.datetime.fromtimestamp(4), 13.0],
			[1,  datetime.datetime.fromtimestamp(5), 14.0],
			[1,  datetime.datetime.fromtimestamp(6), 15.0],
			[1,  datetime.datetime.fromtimestamp(7), 16.0],
			[1,  datetime.datetime.fromtimestamp(8), 17.0],
			[1,  datetime.datetime.fromtimestamp(9), 18.0],
			[1,  datetime.datetime.fromtimestamp(10), 19.0]
])

source = dataframeToOperator(data, schemaStr='id int, ts timestamp, val double', op_type='batch')

source.link(GroupByBatchOp()
			.setGroupByPredicate("id")
			.setSelectClause("id, mtable_agg(ts, val) as data")
		).link(ProphetBatchOp()
			.setValueCol("data")
			.setPredictNum(4)
			.setPredictionCol("pred")
		).link(FlattenMTableBatchOp()
					.setSelectedCol("pred_detail")
          .setSchemaStr("ds timestamp, yhat double")
    ).print()

相關文檔

• 您可以使用MTable展開組件，將MTable展開成Table。詳情請參見MTable展開。

• 關於Designer組件更詳細的內容介紹，請參見Designer概述。

• Designer預置了多種演算法組件，你可以根據不同的使用情境選擇合適的組件進行資料處理，詳情請參見組件參考：所有組件匯總。