26 août 2024 — Entraînement plus facile des modèles de prévision à partir de données réelles¶

Nous avons le plaisir d’annoncer que la fonction ML de prévision des séries chronologiques inclut désormais des fonctionnalités de prétraitement qui vous permettent d’entraîner avec succès un modèle de prévision même lorsque vos données d’entraînement comportent des étapes de temps manquantes, dupliquées ou mal alignées. Dans le passé, de tels problèmes, courants dans les données du monde réel, empêchaient généralement l’entraînement du modèle. Ces fonctionnalités sont :

• Vous pouvez spécifier manuellement une cadence d’événement au cas où le modèle ne parviendrait pas à la déduire ou la déduirait de manière incorrecte

• Le modèle peut interpoler les valeurs cibles manquantes à partir d’étapes de temps proches.

• Le modèle peut agréger des valeurs dimensionnelles à partir d’événements se produisant en dehors de la cadence d’événements canoniques de plusieurs manières, et vous pouvez spécifier des comportements d’agrégation pour le type de valeur ou par colonne.

Un nombre relativement faible de ces corrections n’affecte pas sensiblement la précision de la prédiction.

Pour plus d’informations, voir Gestion des données du monde réel dans la prévision des séries temporelles.