注意：以下翻译的准确性尚未经过验证。这是使用 AIP ↗ 从原始英文文本进行的机器翻译。
预测时间序列
您可以使用 Quiver 中的时间序列预测变换来创建预测。预测是对分析中现有时间序列图的未来投射。Quiver 中的预测是以可视化和交互方式构建的。预测的结果是一个表示预测数据的时间序列图；此时间序列图可以进一步使用 Quiver 的时间序列变换进行变换。
创建预测
为了说明这一部分，我们使用线性预测作为示例。下面的部分提供了有关每种预测类型的更多详细信息。
- 通过点击分析顶部栏中的时间序列来将您希望预测的时间序列添加到您的 Quiver 分析中以打开搜索栏。在我们的示例中，我们希望预测某种产品的销售量。
- 从时间序列菜单中选择时间序列预测。
- 在预测编辑器中，选择线性预测类型，然后选择您在步骤 1 中添加的图作为输入图。
这将生成一个时间序列图（在本例中为线），该图默认拟合到输入图的整个范围。请注意，时间轴将与输入时间序列图保持不变。要查看未来更远的预测，您可以缩小x轴。
您可以在预测编辑器的预测详情部分找到系数的值。
在线性预测示例中，系数是 m（斜率）和 c（偏移）。
非必填步骤
- 要限制拟合到特定的时间范围，请打开使用训练时间范围开关并选择一个时间范围参数。
在这里，我们将训练时间范围设置为2015-2020年，而不是整个历史。因此，预测的参数（斜率和偏移）已经更改以使预测在训练时间范围内更加准确。如果您认为某些时间段更能指示未来的行为，这可能会很有用。
- 设置系数边界。在编辑器的系数部分，打开您想要设置边界的系数的开关。在本例中，为此预测的斜率系数设置边界会更改两个系数。
- 选择损失定义。默认损失是平方差之和，其他选项是最大绝对差和绝对差之和。在将预测拟合到训练数据时，将选择参数以最小化损失。不同类型的损失将导致不同的预测。有关更多详细信息，请参阅损失部分。
在我们的示例中，更改损失定义会导致不同的预测系数。
不同类型的预测
在本节中，我们详细介绍了不同类型的预测及其配置选项。在文档的其余部分，我们将要预测的量称为y或y(t)以表示时间t的y。
常数
常数预测假设量y将保持不变。
数学形式：y = a
在我们的示例中，我们可以看到常数预测未能捕捉数据中的斜率或周期性。
线性
线性预测假设量y将遵循线性趋势。
数学形式：y = a*t + b
在我们的示例中，线性预测捕捉到了斜率，但未能捕捉数据中的周期性。
公式
当数据中存在周期性，且量遵循某种物理过程的涨落时，可以使用公式预测。例如，环境温度同时表现出每日和年度周期性。公式预测允许您拟合一个正弦曲线。
公式预测假设量y遵循一个控制方程。
数学形式：y = f(t)
示例：
- 指数公式
- 正弦公式
使用指数公式的预测示例。模型确定的系数显示在预测详情下的表达式中。
ODE（常微分方程）
ODE 可用于预测由常微分方程控制的量。ODE 预测假设量y的导数（变化率）遵循一个控制方程。
数学形式：
-
一阶
-
二阶
示例：
-
指数增长（λ>0）或衰减（λ<0）
-
牛顿第二定律（
F=m*a）
-
弹簧质量系统，简单谐振子
要定义您的 ODE 预测，请将控制方程添加到表达式框中，并使用@前缀和字母定义未知数作为系数。例如，对于指数增长，我们有@k * y，其中y是量。
在此示例中，我们使用指数增长方程的 ODE 预测。
ARIMA（自回归积分滑动平均）
当数据中存在来自某种生活模式的周期性时，建议使用此预测。例如，如果人们更可能在一周的某些日子购物，则零售销售会表现出某种每周周期性。
数学形式（非季节性）：
其中：
yd是y在差分（减去连续值）被取d次后的结果。
选项
自动
选择自动选项将自动为您设置以下 ARIMA 参数。如果您愿意，您可以手动更改参数，直到获得满意的拟合。如果手动选择 ARIMA 参数，请倾向于使用较小的数字，因为具有较少术语的简单模型将更好地泛化。
ARIMA 参数：
- 自回归项的数量（p）。
- 取差分的数量（d）。
- 滑动平均项的数量（q）。
季节性
可以为模型添加季节性成分。为此，切换季节性开关并指定季节性周期。例如，如果您有每日数据且具有每周周期性，请输入7。
如果关闭自动选项，则会出现以下参数：
- 季节性自回归项的数量（P）。
- 取季节性差分的数量（D）。
- 季节性滑动平均项的数量（Q）。
不同类型的损失
对于某些预测类型，您可以选择拟合预测时使用的损失定义。在将预测拟合到训练数据时，将选择系数以最小化损失。不同类型的损失将导致不同的预测。
平方差之和（默认）
目标序列点 y[i] 与预测 f[i] 点之间的平方差之和的平方根，在训练时间范围内。相当于L2范数的误差。
绝对差之和
目标序列点与预测点之间的绝对差之和，在训练时间范围内。相当于L1范数的误差。
最大绝对差
目标序列点与预测点之间的最大绝对差，在训练时间范围内。相当于L-无穷大（L∞）范数的误差。
