强制性限制：所有列必须填写

asimm4

显示年度季节性和转折点的线图、显示月度数据的年度季节性和残差序列的平稳性的 ACF 图以及显示分解时间序列的趋势、季节性和残差成分的线图。（图片来源：KNIME）
接下来，我们使用 ARIMA 模型对月平均销售额的残差序列进行建模。在滞后 12 处进行差分后，时间序列的长度为 36 个观测值。我们寻找具有 Auto ARIMA Learner 组件的最佳模型，其中 AR 和 MA 部分的最大阶数为 4，I 部分的最大阶数为 1。基于以下模型的最佳表现模型 赤池信息准则 是 ARIMA (0, 1, 4)，基于样本内预测的结果 MAPE 为 1.153。


最后，我们评估模型的样本外预测准确性。工作流程 预测和重建时间序列 图 8 中的图表（可在 Hub 上获取）展示了如何基于 2014 年至 2016 年的月度数据（24 个观测 委内瑞拉 WhatsApp 号码数据库 值）以及使用动态部署方法的获胜 ARIMA（0,1,4）模型预测 2017 年的日销售额。之后，我们重建信号，在本例中，将趋势和年度季节性恢复为预测值（12 个月平均销售额值）。我们比较实际值和预测值，并得到 0.336 的 MAPE。
     

唯一约束：每个字段或字段组合在数据集中必须是唯一的。
成员约束：每列中的一组离散值或代码。
外键约束：可以将子值添加到具有一组允许值的其他列中。