MS时序分析算法
- 它是针对连续值（如时间段内的销售额）进行预测的算法（其中包含多种优化后的算法）
- 时序算法的输入输出为同一列
- 时序模型中的重要算法参数
3.1. Periodicity_hint：该参数提供了有关数据模式重复频率的算法信息（以数据的时序的最小单位为基准，经过N个单位重复一次就设置为{n}，如：以日为基准，周为循环的话就是{7}，以月为循环就是{31}，以周月为循环就是{7,31}，以此类推）
3.2. Missing_Value_Substitution：填充历史数据中的确实，因为时序算法要求时序不能中断 - 时序分析模型提供了每一个序列类型根据数据内容形成决策树，推测每一个序列随着时间轴的进展所影响该序列的因素值
- 时序模型所需数据
5.1. 单个键时间列：必须唯一且连续
5.2. 可预测列：至少有一个可预测列，且必须为连续值
5.3. 可选序列键列：每个模型可包含一个可选的附加键列，就是可与时间列组成复合主键的列（如：产品、店铺等等，每个时间点每个产品只能出现一次） - 时序分析模型的建立
6.1. 创建时序分析模型挖掘结构视图，参考如下，这里包含了日期、店铺名、销售额
CREATE view [dbo].[v_DM_timeSeries]
as
select d.fullDate, s.storeName, sum(st.payAmount) saleAmount
from [dbo].[FactSaleDocTender] st
join [dbo].[DimDate] d on d.dateKey=st.dateKey
join [dbo].[DimStore] s on s.storeKey=st.storeKey
where s.storeName in(‘沃尔玛’,’华润万家’)
group by d.fullDate, s.storeName
6.2. 时序分析模型的建立参考决策树模型的建立（特别注意，在“指定定型数据”中，键勾选fullDate与storeName作为复合键，输入列、输出列都为saleAmount） - 挖掘模型查看器
7.1. 报错，因为两家店铺不是所有日期都有销售数据-》挖掘模型-》算法参数-》Missing_Value_Substitution设置为0，意思是各店铺缺失的日期的销售额默认为0-》再次切换到挖掘模型查看器
7.2. 图表：可以看到一个折线图，左边是历史数据，右边（阴影）处是预测数据-》点击后可通过图例来读取具体的数值，看了一下，好像不太靠谱
7.3. 切到挖掘模型-》算法参数-》Periodicity_Hint设置为“{7,31}”，意思是店铺的销售数据是以7天（周）为单位波动的，同时，以31天（月）为单位波动-》再切回挖掘模型查看器看看 - 截图
