人工智能平台 PAI：x13_auto_arima

x13_auto_arima选择过程如下：

• default model estimation

  当frequency = 1时，默认模型是(0,1,1) 。

  当frequency > 1时，默认模型是(0,1,1)(0,1,1)。

• identification of differencing orders

  如果设置了diff 和 seasonalDiff，则跳过此步骤。

  使用Unit root test (wiki )确定差分d，和季节性差分D。

• identification of ARMA model orders

  根据 BIC(wiki) 准则选择最合适的模型， 其参数maxOrder、maxSeasonalOrder在此步骤起作用。

• comparison of identified model with default model

  使用Ljung-Box Q statistic(wiki) 比较模型，如果两个模型均是不可接受的，则使用(3,d,1)(0,D,1)模型。

• final model checks

在Designer工作流页面配置组件参数。

使用PAI命令方式，配置该组件参数。您可以使用SQL脚本组件进行PAI命令调用，详情请参见SQL脚本。

PAI -name x13_auto_arima
    -project algo_public
    -DinputTableName=pai_ft_x13_arima_input
    -DseqColName=id
    -DvalueColName=number
    -Dstart=1949.1
    -Dfrequency=12
    -DpredictStep=12
    -DoutputPredictTableName=pai_ft_x13_arima_out_predict2
    -DoutputDetailTableName=pai_ft_x13_arima_out_detail2

参数start和frequency规定了数据（valueColName）的两个时间维度ts1、ts2：

• frequency：表示单位周期内数据的频率，即单位ts1中ts2的频率。

• start：格式为n1.n2，表示开始日期是第n1个ts1中的第n2个ts2。

例如value=[1,2,3,5,6,7,8,9,10,11,12,13,14,15]

• start=1949.3，frequency=12表示数据是12月/年，预测开始日期是1950.06。

  year	Jan	Feb	Mar	Apr	May	Jun	Jul	Aug	Sep	Oct	Nov	Dec
  1949			1	2	3	4	5	6	7	8	9	10
  1950	11	12	13	14	15

• start=1949.3，frequency=4表示数据是4季/年，预测开始的日期是1953.02。

  year	Qtr1	Qtr2	Qtr3	Qtr4
  1949			1	2
  1950	3	4	5	6
  1951	7	8	9	10
  1952	11	12	13	14
  1953	15

• start=1949.3，frequency=7表示数据是7天/周，预测开始的日期是1951.04。

  week	Sun	Mon	Tue	Wed	Thu	Fri	Sat
  1949			1	2	3	4	5
  1950	6	7	8	9	10	11	12
  1951	13	14	15

• start=1949.1，frequency=1表示任何时间单位，预测开始日期是1963.00。

  cycle	p1
  1949	1
  1950	2
  1951	3
  1952	4
  1953	5
  1954	6
  1955	7
  1956	8
  1957	9
  1958	10
  1959	11
  1960	12
  1961	13
  1962	14
  1963	15

使用的数据集为AirPassengers.csv，是1949～1960年每个月国际航空的乘客数量，如下表所示。关于该数据集更详细的内容介绍，请参见AirPassengers。

使用MaxCompute客户端的Tunnel命令上传数据，命令如下。关于MaxCompute客户端的安装及配置请参见使用本地客户端（odpscmd）连接，关于Tunnel命令使用详情请参见Tunnel命令。

create table pai_ft_x13_arima_input(id bigint,number bigint);
tunnel upload xxx/airpassengers.csv pai_ft_x13_arima_input -h true;

执行PAI命令

您可以使用SQL脚本执行如下PAI命令，也可以使用ODPS SQL节点执行如下PAI命令。

PAI -name x13_auto_arima
    -project algo_public
    -DinputTableName=pai_ft_x13_arima_input
    -DseqColName=id
    -DvalueColName=number
    -Dstart=1949.1
    -Dfrequency=12
    -DmaxOrder=4
    -DmaxSeasonalOrder=2
    -DmaxDiff=2
    -DmaxSeasonalDiff=1
    -DpredictStep=12
    -DoutputPredictTableName=pai_ft_x13_arima_auto_out_predict
    -DoutputDetailTableName=pai_ft_x13_arima_auto_out_detail

输出说明：

• 输出表outputPredictTableName

  • 字段说明

    column name	comment
    pdate	预测日期。
    forecast	预测结论。
    lower	置信度为confidenceLevel（默认0.95）时，预测结论下界。
    upper	置信度为confidenceLevel（默认0.95）时，预测结论上界。

  • 数据展示

    

• 输出表outputDetailTableName

  • 字段说明

    column name	comment
    key	model：表示模型 evaluation：表示评估结果 parameters：表示训练参数 log：表示训练日志
    summary	存储具体信息。

  • 数据展示