SAP PAL ARIMA

2020-09-24 17:07发布

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>