提问
SAP Predictive Analytics sap hana pal

SAP PAL ARIMA

2020-09-24 17:07发布

站内问答 / Others
1290 5 4

点击此处---> 群内免费提供SAP练习系统（在群公告中）加入QQ群：457200227（SAP S4 HANA技术交流） 群内免费提供SAP练习系统（在群公告中）专家们， 在PAL库的ARIM...

         点击此处--->   EasySAP.com群内免费提供SAP练习系统（在群公告中）

加入QQ群：457200227（SAP S4 HANA技术交流） 群内免费提供SAP练习系统（在群公告中）


专家们，

在PAL库的ARIMA时间序列算法（HANA DB中的预测）中，输入表仅限于2个字段。一个时间戳和一个要预测的字段。

因此，在我的情况下，预测时我需要考虑更多因素。

例如：在我的桌子上，我有

1。时间戳

2。销售

3。保修车辆

4。

我需要根据"销售"和"保修期内的汽车"来预测索赔情况。在这种情况下，我是否应该考虑其他任何PAL算法，如何通过ARIMA或Auto Arima达成目标？

5条回答
樱桃小丸子0093
2020-09-24 17:50 .采纳回答

您好，PAL ARIMA和Auto-ARIMA支持外部因素（ARIMAX）。 请参阅示例的手册。 我在下面列出了一个：

 SET SCHEMA DM_PAL;

 删除表PAL_ARIMA_DATA_TBL;
 创建列表PAL_ARIMA_DATA_TBL（
     " TIMESTAMP"整数，
     " Y"双，
     " X"双
     ）;
 插入PAL_ARIMA_DATA_TBL VALUES（1，1.2，0.8）;
 插入PAL_ARIMA_DATA_TBL VALUES（2，1.34845613096197，1.2）;
 插入PAL_ARIMA_DATA_TBL值（3，1.32261090809898，1.34845613096197）;
 插入PAL_ARIMA_DATA_TBL值（4，1.38095306748554，1.32261090809898）;
 插入PAL_ARIMA_DATA_TBL值（5，1.54066648969168，1.38095306748554）;
 插入PAL_ARIMA_DATA_TBL值（6，1.50920806756785，1.54066648969168）;
 插入PAL_ARIMA_DATA_TBL值（7，1.48461408893443，1.50920806756785）;
 插入PAL_ARIMA_DATA_TBL值（8，1.43784887380224，1.48461408893443）;
 插入PAL_ARIMA_DATA_TBL值（9，1.64251548718992，1.43784887380224）;
 插入PAL_ARIMA_DATA_TBL值（10，1.74292337447476，1.64251548718992）;
 插入PAL_ARIMA_DATA_TBL值（11，1.91137546943257，1.74292337447476）;
 插入PAL_ARIMA_DATA_TBL值（12，2.07735796176367，1.91137546943257）;
 插入PAL_ARIMA_DATA_TBL值（13，2.01741246166924，2.07735796176367）;
 插入PAL_ARIMA_DATA_TBL值（14，1.87176938196573，2.01741246166924）;
 插入PAL_ARIMA_DATA_TBL值（15，1.83354723357744，1.87176938196573）;
 插入PAL_ARIMA_DATA_TBL值（16，1.66104978144571，1.83354723357744）;
 插入PAL_ARIMA_DATA_TBL值（17，1.65115984070812，1.66104978144571）;
 插入PAL_ARIMA_DATA_TBL值（18，1.69470966154593，1.65115984070812）;
 插入PAL_ARIMA_DATA_TBL值（19，1.70459802935728，1.69470966154593）;
 插入PAL_ARIMA_DATA_TBL值（20，1.61246059980916，1.70459802935728）;
 插入PAL_ARIMA_DATA_TBL值（21，1.53949706614636，1.61246059980916）;
 插入PAL_ARIMA_DATA_TBL值（22，1.59231354902055，1.53949706614636）;
 插入PAL_ARIMA_DATA_TBL值（23，1.81741927705578，1.59231354902055）;
 插入PAL_ARIMA_DATA_TBL值（24，1.80224252773564，1.81741927705578）;
 插入PAL_ARIMA_DATA_TBL值（25，1.81881576781466，1.80224252773564）;
 插入PAL_ARIMA_DATA_TBL值（26，1.78089755157948，1.81881576781466）;
 插入PAL_ARIMA_DATA_TBL值（27，1.61473635574416，1.78089755157948）;
 插入PAL_ARIMA_DATA_TBL值（28，1.42002147867225，1.61473635574416）;
 插入PAL_ARIMA_DATA_TBL值（29，1.49971641345022，1.42002147867225）;

 删除表#PAL_PARAMETER_TBL;
 创建本地临时列表#PAL_PARAMETER_TBL（" NAME" VARCHAR（50），" INT_VALUE" INTEGER，" DOUBLE_VALUE" DOUBLE，" STRING_VALUE" VARCHAR（100））；
 插入到#PAL_PARAMETER_TBL VALUES（'P'，1，NULL，NULL）;
 插入到#PAL_PARAMETER_TBL VALUES（'Q'，1，NULL，NULL）;
 插入到#PAL_PARAMETER_TBL VALUES（'D'，0，NULL，NULL）;
 插入#PAL_PARAMETER_TBL VALUES（'METHOD'，1，NULL，NULL）;
 INSERT INTO #PAL_PARAMETER_TBL VALUES（'DEPENDENT_VARIABLE'，NULL，NULL，'Y'）;

 删除表PAL_ARIMA_MODEL_TBL;  -对于接下来的预测
 创建列表PAL_ARIMA_MODEL_TBL（" KEY" NVARCHAR（100），" VALUE" NVARCHAR（5000））；

 CALL _SYS_AFL.PAL_ARIMA（PAL_ARIMA_DATA_TBL，" #PAL_PARAMETER_TBL"，PAL_ARIMA_MODEL_TBL，？）有概述；

一周热门 更多>