FORECAST¶

Syntax¶

CREATE [ OR REPLACE ] SNOWFLAKE.ML.FORECAST [ IF NOT EXISTS ] <model_name>(
    INPUT_DATA => <input_data>,
    [SERIES_COLNAME => '<series_colname>',]
    TIMESTAMP_COLNAME => '<timestamp_colname>',
    TARGET_COLNAME => '<target_colname>')
  [ [ WITH ] TAG ( <tag_name> = '<tag_value>' [ , <tag_name> = '<tag_value>' , ... ] ) ]
  [ COMMENT = '<string_literal>' ]

CREATE SNOWFLAKE.ML.FORECAST <name>(
  '<input_data>', '<series_colname>', '<timestamp_colname>', '<target_colname>');

Parameter¶

model_name

Gibt den Bezeichner für das Modell an. Dieser muss für das Schema, in dem das Modell erstellt wird, eindeutig sein.

Wenn der Modellbezeichner nicht vollqualifiziert ist (im Format db_name.schema_name.name oder schema_name.name), erstellt der Befehl das Modell im aktuellen Schema der Sitzung.

Darüber hinaus muss der Bezeichner mit einem Buchstaben beginnen und darf keine Leer- oder Sonderzeichen enthalten, es sei denn, die gesamte Bezeichnerzeichenfolge wird in doppelte Anführungszeichen gesetzt (z. B. "My object"). Bei Bezeichnern, die in doppelte Anführungszeichen eingeschlossen sind, ist auch die Groß-/Kleinschreibung zu beachten.

Weitere Details dazu finden Sie unter Anforderungen an Bezeichner.

Konstruktorargumente¶

Erforderlich:

INPUT_DATA => input_data

Eine Referenz auf die Eingabedaten. Die Verwendung einer Referenz ermöglicht bei einem Trainingsprozess, der mit eingeschränkten Berechtigungen ausgeführt wird, Ihre Berechtigungen für den Zugriff auf die Daten zu nutzen. Sie können eine Referenz auf eine Tabelle oder eine Ansicht verwenden, wenn Ihre Daten bereits in dieser Form vorliegen, oder Sie können eine Abfragereferenz verwenden, um die Abfrage bereitzustellen, die zum Abrufen der Daten ausgeführt werden soll.

Die referenzierten Daten umfassen alle Trainingsdaten, die vom Prognosemodell genutzt werden. Wenn input_data Spalten enthält, die nicht timestamp_colname, target_colname oder series_colname heißen, werden sie als exogene Variablen (zusätzliche Features) betrachtet.

Die Reihenfolge der Spalten in den Eingabedaten ist irrelevant.

Die Spalten für Ihre Eingabedaten müssen für Ihren Anwendungsfall geeignete Typen haben. Weitere Informationen zu den einzelnen Anwendungsfällen finden Sie unter Beispiele.

Anwendungsfall	Spalten und Typen
Einzelne Zeitreihen	Spalte für Zeitstempel: TIMESTAMP_NTZ Spalte für Zielwert: FLOAT
Mehrere Zeitreihen	Spalte für Zeitreihe: VARIANT mit numerischen Werten und Text. Spalte für Zeitstempel: TIMESTAMP_NTZ Spalte für Zielwert: FLOAT
Einzelne Zeitreihen mit exogenen Variablen	Spalte für Zeitstempel: TIMESTAMP_NTZ Spalte für Zielwert: FLOAT Spalten für exogene Features: Numerisch oder Text
Mehrere Zeitreihen mit exogenen Variablen	Spalte für Zeitreihe: VARIANT mit numerischen Werten und Text. Spalte für Zeitstempel: TIMESTAMP_NTZ Spalte für Zielwert: FLOAT Spalten für exogene Features: Numerisch oder Text

TIMESTAMP_COLNAME => 'timestamp_colname'

Name der Spalte, die in input_data die Zeitstempel enthält.

TARGET_COLNAME => 'target_colname'

Name der Spalte, die in input_data die Trainingsbezeichnung (abhängiger Wert) enthält.

Optional:

SERIES_COLNAME => 'series_colname'

Bei Multizeitreihen-Modellen der Name der Spalte, die in input_data die Multizeitreihen definiert. Diese Spalte kann ein Wert eines beliebigen Typs oder ein Array von Werten aus einer oder mehreren anderen Spalten sein, wie unter Prognoseerstellung für mehrere Zeitreihen gezeigt.

Wenn Sie Argumente positionsbezogen bereitstellen, muss dies das zweite Argument sein.

Nutzungshinweise¶

Die Replikation von Klasseninstanzen wird derzeit nicht unterstützt.

Beispiele¶

Siehe Beispiele.

Syntax¶

SHOW SNOWFLAKE.ML.FORECAST [ LIKE <pattern> ]
                           [ IN
                               {
                                   ACCOUNT                  |

                                   DATABASE                 |
                                   DATABASE <database_name> |

                                   SCHEMA                   |
                                   SCHEMA <schema_name>     |
                                   <schema_name>
                                }
                            ]

Parameter¶

LIKE 'pattern'

Filtert die Befehlsausgabe nach dem Objektnamen. Der Filter verwendet eine Mustererkennung ohne Berücksichtigung der Groß-/Kleinschreibung, aber mit Unterstützung von SQL-Platzhalterzeichen (% und _).

Die folgenden Muster geben beispielsweise die gleichen Ergebnisse zurück:

... LIKE '%testing%' ...

... LIKE '%TESTING%' ...

[ IN ... ]

Gibt optional den Geltungsbereich des Befehls an. Geben Sie eine der folgenden Optionen an:

ACCOUNT

Gibt Datensätze für das gesamte Konto zurück.

DATABASE, . DATABASE db_name

Gibt Datensätze für die aktuell verwendete Datenbank oder eine angegebene Datenbank (db_name) zurück.

Wenn Sie DATABASE ohne db_name angeben und aktuell keine Datenbank in Verwendung ist, hat das Schlüsselwort keine Auswirkungen auf die Ausgabe.

SCHEMA, . SCHEMA schema_name, . schema_name

Gibt Datensätze für das aktuell verwendete Schema oder ein angegebenes Schema (schema_name) zurück.

SCHEMA ist optional, wenn aktuell eine Datenbank in Verwendung ist oder wenn Sie für schema_name den vollqualifizierten Schemanamen (z. B. db.schema) angeben.

Wenn aktuell keine Datenbank in Verwendung ist, hat die Angabe von SCHEMA keine Auswirkungen auf die Ausgabe.

Standard: Abhängig davon, ob für die Sitzung aktuell eine Datenbank in Verwendung ist:

• Datenbank: DATABASE ist der Standardwert (d. h. der Befehl gibt die Objekte zurück, für die Sie Berechtigungen zum Anzeigen in der Datenbank haben).

• Keine Datenbank: ACCOUNT ist der Standardwert (d. h. der Befehl gibt die Objekte zurück, für die Sie Berechtigungen zum Anzeigen in Ihrem Konto haben).

Ausgabe¶

Die Befehlsausgabe enthält Eigenschaften und Metadaten des Modells in den folgenden Spalten:

Syntax¶

DROP SNOWFLAKE.ML.FORECAST [IF EXISTS] <name>;

Parameter¶

name

Gibt den Bezeichner für das zu löschende Modell an. Wenn der Bezeichner Leerzeichen, Sonderzeichen oder Zeichen in Groß-/Kleinschreibung enthält, muss die gesamte Zeichenfolge in doppelte Anführungszeichen eingeschlossen werden. Bei Bezeichnern, die in doppelte Anführungszeichen eingeschlossen sind, ist auch die Groß-/Kleinschreibung zu beachten.

Wenn der Modellbezeichner nicht vollqualifiziert ist (im Format db_name.schema_name.name oder schema_name.name), sucht der Befehl das Modell im aktuellen Schema der Sitzung.

Nutzungshinweise¶

Gelöschte Modelle können nicht wiederhergestellt werden, sondern müssen neu erstellt werden.

Syntax¶

Die erforderlichen Argumente variieren je nachdem, für welchen Anwendungsfall das Modell trainiert wurde.

Einzelzeitreihen-Modelle ohne exogene Variablen:

<model_name>!FORECAST(
  FORECASTING_PERIODS => <forecasting_periods>,
  [CONFIG_OBJECT => <config_object>]
);

Einzelreihen-Modelle mit exogenen Variablen:

<model_name>!FORECAST(
  INPUT_DATA => <input_data>,
  TIMESTAMP_COLNAME => '<timestamp_colname>',
  [CONFIG_OBJECT => <config_object>]
);

Multizeitreihen-Modelle ohne exogene Variablen:

<model_name>!FORECAST(
  SERIES_VALUE => <series>,
  FORECASTING_PERIODS => <forecasting_periods>,
  TIMESTAMP_COLNAME => '<timestamp_colname>',
  [CONFIG_OBJECT => <config_object>]
);

Multizeitreihen-Modelle mit exogenen Variablen:

<model_name>!FORECAST(
  SERIES_VALUE => <series>,
  SERIES_COLNAME => <series_colname>,
  INPUT_DATA => <input_data>,
  TIMESTAMP_COLNAME => '<timestamp_colname>',
  [CONFIG_OBJECT => <config_object>]
);

Argumente¶

Erforderlich:

Nicht alle der folgenden Argumente sind für jeden der zuvor aufgeführten Anwendungsfälle erforderlich.

FORECASTING_PERIODS => forecasting_periods

Erforderlich für Prognosen ohne exogene Variablen.

Die Anzahl der Schritte bis zur Prognose. Das Intervall zwischen den Schritten wird während des Trainings vom Modell abgeleitet.

INPUT_DATA => input_data

Erforderlich für Prognosen mit exogenen Variablen. Ihre exogenen Variablen müssen in diesem Schritt in der gleichen Reihenfolge sein wie im Trainingsschritt.

Eine Referenz zu einer Tabelle, Ansicht oder Abfrage, die die zukünftigen Zeitstempel und Werte der exogenen Variablen (zusätzliche, vom Benutzer bereitgestellte Features) enthält, die beim Training des Modells als Eingabedaten mit input_data übergeben wurden. Die Verwendung einer Referenz ermöglicht bei einem Prognoseprozess, der mit eingeschränkten Berechtigungen ausgeführt wird, Ihre Berechtigungen für den Zugriff auf die Daten zu nutzen. Die Spalten werden anhand des Namens zwischen diesem Argument und den ursprünglichen exogenen Trainingsdaten abgeglichen.

TIMESTAMP_COLNAME => 'timestamp_colname'

Erforderlich für Prognosen mit exogenen Variablen.

Der Name der Spalte in input_data, die die Zeitstempel enthält.

SERIES_COLNAME => 'series_colname'

Erforderlich bei Multizeitreihen-Prognosen mit exogenen Variablen.

Der Name der Spalte in input_data, die die Zeitreihen angibt.

SERIES_VALUE => series

Erforderlich bei Multizeitreihen-Prognosen.

Die Zeitreihe für die Prognose. Kann ein einzelner Wert (z. B. ‚Series A‘::variant) oder ein VARIANT sein, muss aber eine Zeitreihe angeben, mit der das Modell trainiert wurde. Wenn nicht angegeben, werden alle trainierten Zeitreihen vorhergesagt.

Optional:

CONFIG_OBJECT => config_object

Ein OBJECT mit Schlüssel-Wert-Paaren, die zur Konfiguration des Prognose-Jobs verwendet werden. Derzeit gibt es nur eine Konfigurationsoption.

Schlüssel	Typ	Beschreibung
prediction_interval	FLOAT	[0, 1). Der Standardwert ist 0,95, was bedeutet, dass 95 % der zukünftigen Punkte innerhalb des Intervalls [untere_Grenze, obere_Grenze] des Prognoseergebnisses liegen werden.

Ausgabe¶

Die Spalte SERIES ist nur bei Multizeitreihen-Prognosen vorhanden. Bei Einzelzeitreihen-Prognosen gibt es diese Spalte nicht.

Für jede exogene Variable gibt es außerdem eine zusätzliche Spalte. Die Anzahl, die Namen und die Typen dieser Variablen variieren, weshalb sie hier nicht aufgeführt sind.

Syntax¶

<model_name>!EXPLAIN_FEATURE_IMPORTANCE();

Ausgabe¶