series_decompose_forecast()
根据序列分解情况进行预测。
采用包含某个序列（动态数值数组）的表达式作为输入，并预测最后的尾随点的值。 有关详细信息，请参阅 series_decompose。
语法
series_decompose_forecast(Series, Points, [ Seasonality, Trend, Seasonality_threshold ])
详细了解语法约定。
参数
| 客户 | 类型 | 必需 | 说明 |
|---|---|---|---|
| 系列 | dynamic |
✔️ | 数值的数组，通常是 make-series 或 make_list 运算符生成的输出。 |
| 点 | int |
✔️ | 指定要预测的序列末端的点数。 这些点将从学习或回归过程中排除。 |
| 季节性 | int |
控制周期性分析。 可能的值为： - -1：使用 series_periods_detect 自动检测周期性。 这是默认值。- Period：一个正整数，按箱数指定所需期间。例如，如果将序列按 1 - h 箱分箱，则一个每周期间为 168 箱。- 0：无周期性，因此请跳过提取此组件的操作。 |
|
| 趋势 | string |
控制趋势分析。 可能的值为： - avg：将趋势组件定义为 average(x)。 这是默认值。- linefit：使用线性回归提取趋势组件。- none：无趋势，因此请跳过提取此组件的操作。 |
|
| Seasonality_threshold | real |
当 Seasonality 设置为 autodetect 时周期性分数的阈值。 默认分数阈值为 0.6。 有关详细信息，请参阅 series_periods_detect。 |
返回
一个包含预测的序列的动态数组。
注意
- 原始输入序列的动态数组应当包含许多要预测的点槽。 预测通常是通过使用 make-series 并在包含要预测的时间范围的范围内指定结束时间来完成的。
- 应当启用周期性或趋势，否则该函数将是冗余的，只返回用零填充的序列。
示例
在下面的示例中，我们将以小时粒度生成包含四周的一个序列，它具有每周周期性和小幅上升趋势。 然后，我们使用 make-series 并向序列中添加另一个空周。 series_decompose_forecast 按周（24*7 个点）调用，自动检测周期性和趋势，并生成整个五周期间的预测。
let ts=range t from 1 to 24*7*4 step 1 // generate 4 weeks of hourly data
| extend Timestamp = datetime(2018-03-01 05:00) + 1h * t
| extend y = 2*rand() + iff((t/24)%7>=5, 5.0, 15.0) - (((t%24)/10)*((t%24)/10)) + t/72.0 // generate a series with weekly seasonality and ongoing trend
| extend y=iff(t==150 or t==200 or t==780, y-8.0, y) // add some dip outliers
| extend y=iff(t==300 or t==400 or t==600, y+8.0, y) // add some spike outliers
| make-series y=max(y) on Timestamp from datetime(2018-03-01 05:00) to datetime(2018-03-01 05:00)+24*7*5h step 1h; // create a time series of 5 weeks (last week is empty)
ts
| extend y_forcasted = series_decompose_forecast(y, 24*7) // forecast a week forward
| render timechart
