不久前，什么大数据，我在这里对Tammy Powlas的一篇优秀文档发表了评论：使用时间序列分析进行预测–SAP Predictive Expert Analytics。

我想我会利用一个空闲时间"喝我自己的香槟"，大数据治理平台，并尝试使用自动分析的相同示例。

我从完全相同的来源收集数据–来自交通统计局()我下载了1996年1月至2015年6月的美国国内乘客数据，按年/月计算。

我的目标：

我打开SAP Predictive Analytics并跳转到Modeler/Time series部分。

首先我加载非常简单的.csv文件并指定日期格式。

我需要告诉软件，我的日期栏给出了数据集的顺序（order=1表示月份变量）。

我可以快速查看数据–每月的乘客登机数。

我设置了两个变量：

我将生成我的模型，并要求30个预测，以获得到2017年12月的预测。

模型的性能模型非常好。

98%的信号被解释，只有2%的信号无法解释，淘客cms，我们稍后会理解原因。

模型有一个多项式趋势和周期，以一年中的月份为基础。

正如塔米所解释的，由于暑假的原因，夏季的交通量比较大，

我可以在查看信号组件窗口看到信号。真实的数字显示为绿色。我的模型预测的信号以蓝色显示。

我们看到这里有一个异常值（红色矩形），模型并没有真正理解2001年9月发生的事情（虽然我们确实理解并记得）。

信号的其余部分是非常好的建模，5118大数据，尽管我们在视觉上发现了2004年到2009年的一些差异实际流量高于模型值。这是因为危机前航空公司的客流量增加吗？

我们可以直观地看到2015年至2017年预测的不确定性。

我个人更喜欢导出到Excel，并在那里看到预测值。2017年12月的预计客运量为5526万人次，预测区间上限为5794万人次，区间下限为5258万人次。2017年7月可能是接近6300万乘客的高峰。

我们当然可以进一步提高预测的准确性和可靠性，同时考虑到超过唯一日期的更多变量。这是自动分析的时间序列算法提供的核心功能。

感谢您阅读本文，希望您喜欢！

感谢Tammy Powlas的原始文档创意。

我将很高兴与任何对此示例感兴趣的人分享数据集。你也可以直接从本文开头的链接下载。

安托万

伟大的安托万邮报

谢谢拉纳杰！

鸡肉！你可以比较这两种方法的结果。

我认为这篇文章应该由另一篇文章来补充，其中包括额外的预测变量，这些变量可以通过自动化（正如你正确指出的那样）自动处理，比如平均汽油价格，为什么不如你所建议的航空运输量，或任何其他美国指标，我们可以找到（汽车销量等）

谢谢评论埃里克！

，大数据分析软件