Microsoft 시계열 알고리즘Microsoft Time Series Algorithm

MicrosoftMicrosoft 시계열 알고리즘은 제품 판매량과 같은 연속 값을 시간 경과에 따라 예측하도록 최적화된 여러 알고리즘을 제공합니다.The MicrosoftMicrosoft Time Series algorithm provides multiple algorithms that are optimized for forecasting continuous values, such as product sales, over time. 의사 결정 트리와 같은 다른 MicrosoftMicrosoft 알고리즘에서는 새 정보로 된 추가 열을 입력해야 추세를 예측할 수 있지만, 시계열 모델에서는 이런 열이 필요하지 않습니다.Whereas other MicrosoftMicrosoft algorithms, such as decision trees, require additional columns of new information as input to predict a trend, a time series model does not. 시계열 모델은 이 모델을 만드는 데 사용되는 원래 데이터 집합만을 기반으로 추세를 예측할 수 있습니다.A time series model can predict trends based only on the original dataset that is used to create the model. 또한 예측을 만들고 자동으로 새 데이터를 추세 분석에 통합하는 경우 시계열 모델에 새 데이터를 추가할 수도 있습니다.You can also add new data to the model when you make a prediction and automatically incorporate the new data in the trend analysis.

다음 다이어그램에서는 4개의 다른 판매 지역에서 시간에 따른 제품 판매량을 예측하기 위한 일반적인 모델을 보여 줍니다.The following diagram shows a typical model for forecasting sales of a product in four different sales regions over time. 다이어그램에 표시된 모델은 빨간색, 노란색, 보라색 및 파란색 선으로 표시된 각 지역별 판매량을 보여 줍니다.The model that is shown in the diagram shows sales for each region plotted as red, yellow, purple, and blue lines. 각 지역의 선은 다음 두 부분으로 구성됩니다.The line for each region has two parts:

  • 기록 정보는 세로선의 왼쪽에 나타나며 알고리즘이 모델을 만드는 데 사용하는 데이터를 나타냅니다.Historical information appears to the left of the vertical line and represents the data that the algorithm uses to create the model.

  • 예측 정보는 세로선의 오른쪽에 나타나며 모델이 만드는 예측을 나타냅니다.Predicted information appears to the right of the vertical line and represents the forecast that the model makes.

    원본 데이터와 예측 데이터의 조합을 계열이라고 합니다.The combination of the source data and the prediction data is called a series.

    시계열 예An example of a time series

    MicrosoftMicrosoft 시계열 알고리즘의 중요한 기능은 교차 예측을 수행할 수 있다는 것입니다.An important feature of the MicrosoftMicrosoft Time Series algorithm is that it can perform cross prediction. 관련된 두 개의 별도 계열이 있는 알고리즘을 학습하는 경우 결과 모델을 사용하여 한 계열의 동작을 기반으로 다른 계열의 결과를 예측할 수 있습니다.If you train the algorithm with two separate, but related, series, you can use the resulting model to predict the outcome of one series based on the behavior of the other series. 예를 들어 관찰된 특정 제품의 판매량이 다른 제품의 예측 판매량에 영향을 줄 수 있습니다.For example, the observed sales of one product can influence the forecasted sales of another product. 또한 교차 예측은 여러 계열에 적용될 수 있는 일반 모델을 만드는 데에도 유용합니다.Cross prediction is also useful for creating a general model that can be applied to multiple series. 예를 들어 계열에 높은 품질의 데이터가 부족하기 때문에 특정 지역에 대한 예측이 불안정합니다.For example, the predictions for a particular region are unstable because the series lacks good quality data. 4개 지역 모두의 평균으로 일반 모델을 학습한 다음 개별 계열에 이 모델을 적용하여 각 지역에 대해 더 안정된 예측을 만들 수 있습니다.You could train a general model on an average of all four regions, and then apply the model to the individual series to create more stable predictions for each region.

예제Example

Adventure Works CyclesAdventure Works Cycles 사의 관리 팀은 내년도 월별 자전거 판매량을 예측하려고 합니다.The management team at Adventure Works CyclesAdventure Works Cycles wants to predict monthly bicycle sales for the coming year. 이 회사에서는 한 자전거 모델의 판매량을 사용하여 다른 모델의 판매량을 예측할 수 있는지 여부에 특히 관심이 많습니다.The company is especially interested in whether the sale of one bike model can be used to predict the sale of another model. 지난 3년 동안의 기록 데이터에 대해 MicrosoftMicrosoft 시계열 알고리즘을 사용하여 이 회사에서는 향후 자전거 판매량을 예측하는 데이터 마이닝 모델을 생성할 수 있으며By using the MicrosoftMicrosoft Time Series algorithm on historical data from the past three years, the company can produce a data mining model that forecasts future bike sales. 교차 예측을 수행하여 개별 자전거 모델의 판매 경향이 서로 관련되어 있는지 여부를 확인할 수 있습니다.Additionally, the company can perform cross predictions to see whether the sales trends of individual bike models are related.

이 회사는 각 분기마다 최신 판매량 데이터로 모델을 업데이트하고 이들의 예측을 업데이트하여 최신 추세로 모델링할 계획입니다.Each quarter, the company plans to update the model with recent sales data and update their predictions to model recent trends. 판매량 데이터를 정확하거나 일관되게 업데이트하지 않는 점포의 문제를 해결하려면 일반 예측 모델을 만들고 이 모델을 사용하여 모든 지역에 대한 예측을 만듭니다.To correct for stores that do not accurately or consistently update sales data, they will create a general prediction model, and use that to create predictions for all regions.

알고리즘 작동 방법How the Algorithm Works

SQL Server 2005SQL Server 2005에서 MicrosoftMicrosoft 시계열 알고리즘은 ARTXP라는 단일 자동 회귀 시계열 방법을 사용했습니다.In SQL Server 2005SQL Server 2005, the MicrosoftMicrosoft Time Series algorithm used a single auto-regressive time series method, named ARTXP. ARTXP 알고리즘은 단기 예측에 대해 최적화되었으므로 계열의 적절한 다음 값을 예측하는 데 탁월했습니다.The ARTXP algorithm was optimized for short-term predictions, and therefore, excelled at predicting the next likely value in a series. SQL Server 2008SQL Server 2008부터 MicrosoftMicrosoft 시계열 알고리즘은 장기 예측에 최적화된 두 번째 알고리즘인 ARIMA를 추가했습니다.Beginning in SQL Server 2008SQL Server 2008, the MicrosoftMicrosoft Time Series algorithm added a second algorithm, ARIMA, which was optimized for long-term prediction. ARTXP 및 ARIMA 알고리즘의 구현에 대한 자세한 내용은 Microsoft Time Series Algorithm Technical Reference를 참조하십시오.For a detailed explanation about the implementation of the ARTXP and ARIMA algorithms, see Microsoft Time Series Algorithm Technical Reference.

기본적으로 MicrosoftMicrosoft 시계열 알고리즘은 패턴을 분석하고 예측을 수행할 때 알고리즘을 혼합하여 사용합니다.By default, the MicrosoftMicrosoft Time Series algorithm uses a mix of the algorithms when it analyzes patterns and making predictions. 알고리즘은 동일한 데이터에서 두 개의 모델을 별도로 학습합니다. 한 모델은 ARTXP 알고리즘을 사용하고 다른 모델은 ARIMA 알고리즘을 사용합니다.The algorithm trains two separate models on the same data: one model uses the ARTXP algorithm, and one model uses the ARIMA algorithm. 그러면 알고리즘은 두 모델의 결과를 혼합하여 여러 개의 시간 조각에 대한 최상의 예측을 생성합니다.The algorithm then blends the results of the two models to yield the best prediction over a variable number of time slices. ARTXP는 단기 예측에 가장 적합하므로 일련의 예측이 시작되는 부분에서는 ARTXP에 더 비중을 둡니다.Because ARTXP is best for short-term predictions, it is weighted more heavily at the beginning of a series of predictions. 그러나 예측하는 시간 조각이 보다 미래로 이동하면 ARIMA에 더 비중을 둡니다.However, as the time slices that you are predicting move further into the future, ARIMA is weighted more heavily.

알고리즘의 혼합을 제어하여 시계열에서 단기 예측 또는 장기 예측 중 하나를 우선시할 수도 있습니다.You can also control the mix of algorithms to favor either short- or long-term prediction in the times series. SQL Server 2008SQL Server 2008 Standard부터 사용할 알고리즘을 지정할 수 있습니다.Beginning in SQL Server 2008SQL Server 2008 Standard, you can specify that which algorithm to use:

  • 단기 예측에 ARTXP만 사용합니다.Use only ARTXP for short-term prediction.

  • 장기 예측에 ARIMA만 사용합니다.Use only ARIMA for long-term prediction.

  • 두 알고리즘의 혼합을 기본값으로 사용합니다.Use the default blending of the two algorithms.

    SQL Server 2008 EnterpriseSQL Server 2008 Enterprise부터 예측을 위해 MicrosoftMicrosoft 시계열 알고리즘이 모델을 혼합하는 방식을 사용자 지정할 수도 있습니다.Beginning in SQL Server 2008 EnterpriseSQL Server 2008 Enterprise, you can also customize how the MicrosoftMicrosoft Time Series algorithm blends the models for prediction. 혼합 모델을 사용하는 경우 MicrosoftMicrosoft 시계열 알고리즘은 두 가지 알고리즘을 다음과 같은 방식으로 혼합합니다.When you use a mixed model, the MicrosoftMicrosoft Time Series algorithm blends the two algorithms in the following way:

  • 처음 두 개의 예측을 수행하는 데 항상 ARTXP만 사용됩니다.Only ARTXP is always used for making the first couple of predictions.

  • 처음 두 개의 예측 이후에는 ARIMA 및 ARTXP의 조합이 사용됩니다.After the first couple of predictions, a combination of ARIMA and ARTXP is used.

  • 예측 단계의 수가 늘어날수록 예측은 ARIMA를 더 많이 사용하며 더 이상 ARTXP를 사용하지 않습니다.As the number of prediction steps increases, predictions rely more heavily on ARIMA until ARTXP is no longer used.

  • PREDICTION_SMOOTHING 매개 변수를 설정하여 ARTXP의 가중치는 감소하고 ARIMA의 가중치는 증가하는 비율의 혼합 지점을 제어합니다.You control the mixing point, the rate at which the weight of ARTXP is decreased, and the weight of ARIMA is increased by setting the PREDICTION_SMOOTHING parameter.

    두 알고리즘 모두 여러 수준에서 데이터의 계절성을 검색할 수 있습니다.Both algorithms can detect seasonality in data at multiple levels. 예를 들어 데이터에는 연간 주기 내에 중첩된 월간 주기가 포함될 수 있습니다.For example, your data might contain monthly cycles nested within yearly cycles. 이러한 계절적 주기를 검색하려면 주기 힌트를 제공하거나 알고리즘이 자동으로 주기를 검색하도록 지정할 수 있습니다.To detect these seasonal cycles, you can either provide a periodicity hint or specify that the algorithm should automatically detect periodicity.

    주기성뿐만 아니라 MicrosoftMicrosoft 시계열 알고리즘이 주기성을 검색하거나 예측을 만들거나 사례를 분석할 때 이 알고리즘의 동작을 제어하는 여러 가지 다른 매개 변수가 있습니다.In addition to periodicity, there are several other parameters that control the behavior of the MicrosoftMicrosoft Time Series algorithm when it detects periodicity, makes predictions, or analyzes cases. 알고리즘 매개 변수를 설정하는 방법은 Microsoft Time Series Algorithm Technical Reference를 참조하십시오.For information about how to set algorithm parameters, see Microsoft Time Series Algorithm Technical Reference.

시계열 모델에 필요한 데이터Data Required for Time Series Models

데이터 마이닝 모델을 학습하는 데 사용할 데이터를 준비할 경우 특정 모델의 요구 사항과 데이터가 사용되는 방법을 이해해야 합니다.When you prepare data for use in training any data mining model, make sure that you understand the requirements for the particular model and how the data is used.

각 예측 모델은 변경되는 동안 시간 조각 또는 다른 계열을 지정하는 열인 사례 계열을 포함해야 합니다.Each forecasting model must contain a case series, which is the column that specifies the time slices or other series over which change occurs. 예를 들어 위 다이어그램의 데이터는 수개월 동안의 자전거 판매량에 대한 기록 정보와 예측 정보의 계열을 보여 줍니다.For example, the data in the previous diagram shows the series for historical and forecasted bicycle sales over a period of several months. 이 모델의 경우 각 지역은 계열이며 날짜 열에는 사례 계열이기도 한 시계열이 포함됩니다.For this model, each region is a series, and the date column contains the time series, which is also the case series. 다른 모델에서 사례 계열은 고객 ID 또는 트랜잭션 ID와 같은 일부 식별자나 텍스트 필드가 될 수 있습니다.In other models, the case series can be a text field or some identifier such as a customer ID or transaction ID. 그러나 시계열 모델은 항상 해당 사례 계열에 대해 다른 고유한 숫자 값, 날짜 또는 시간을 사용해야 합니다.However, a time series model must always use a date, time, or some other unique numeric value for its case series.

시계열 모델의 요구 사항은 다음과 같습니다.The requirements for a time series model are as follows:

  • 단일 키 시간 열 각 모델에는 숫자 열이나 날짜 열이 한 개 있어야 합니다. 이 열은 모델에서 사용할 시간 조각을 정의하는 사례 계열로 사용됩니다.A single key time column Each model must contain one numeric or date column that is used as the case series, which defines the time slices that the model will use. key time 열의 데이터 형식은 datetime 데이터 형식 또는 numeric 데이터 형식 중 하나가 될 수 있습니다.The data type for the key time column can be either a datetime data type or a numeric data type. 그러나 열은 연속 값을 포함해야 하고 이 값은 각 계열에 대해 고유해야 합니다.However, the column must contain continuous values, and the values must be unique for each series. 시계열 모델에 대한 사례 계열은 연도 열 및 월 열과 같은 두 개의 열에 저장될 수 없습니다.The case series for a time series model cannot be stored in two columns, such as a Year column and a Month column.

  • 예측 가능한 열 각 모델에는 알고리즘이 시계열 모델을 작성할 예측 가능한 열이 한 개 이상 있어야 합니다.A predictable column Each model must contain at least one predictable column around which the algorithm will build the time series model. 예측 가능한 열의 데이터 형식에는 연속 값이 있어야 합니다.The data type of the predictable column must have continuous values. 예를 들어 수입, 판매량 또는 기온과 같은 숫자 특성이 시간에 따라 변화하는 방식을 예측할 수 있습니다.For example, you can predict how numeric attributes, such as income, sales, or temperature, change over time. 그러나 구매 상태 또는 교육 수준과 같은 불연속 값을 포함하는 열은 예측 가능한 열로 사용할 수 없습니다.However, you cannot use a column that contains discrete values, such as purchasing status or level of education, as the predictable column.

  • 선택적 계열 키 열 각 모델에는 계열을 식별하는 고유한 값을 포함하는 추가 키 열이 있을 수 있습니다.An optional series key column Each model can have an additional key column that contains unique values that identify a series. 선택적 계열 키 열은 고유한 값을 포함해야 합니다.The optional series key column must contain unique values. 예를 들어 모든 시간 조각의 각 제품 이름에 대해 한 개의 레코드만 있으면 단일 모델이 여러 제품 모델의 판매량을 포함할 수 있습니다.For example, a single model can contain sales for many product models, as long as there is only one record for each product name for every time slice.

    여러 가지 다양한 방법으로 MicrosoftMicrosoft 시계열 모델에 대한 입력 데이터를 정의할 수 있습니다.You can define input data for the MicrosoftMicrosoft Time Series model in several different ways. 그러나 입력 사례의 형식이 마이닝 모델의 정의에 영향을 주기 때문에 업무에 필요한 사항을 고려하여 적절히 데이터를 준비해야 합니다.However, because the format of the input cases affects the definition of the mining model, you must consider your business needs and prepare your data accordingly. 다음 두 가지 예에서는 입력 데이터가 모델에 미치는 영향을 보여 줍니다.The following two examples illustrate how the input data affects the model. 두 가지 예에서, 완료된 데이터 마이닝 모델에는 다음과 같은 4개의 고유한 계열에 대한 패턴이 있습니다.In both examples, the completed mining model contains patterns for four distinct series:

  • A 제품의 판매량Sales for Product A

  • B 제품의 판매량Sales for Product B

  • A 제품의 부피Volume for Product A

  • B 제품의 부피Volume for Product B

    두 가지 예에서 향후 각 제품의 새로운 판매량과 부피를 예측할 수 있지만In both examples, you can predict new future sales and volume for each product. 제품 또는 시간에 대한 새로운 값을 예측할 수는 없습니다.You cannot predict new values for product or for time.

예제 1: 계열이 열 값으로 표현된 시계열 데이터 집합Example 1: Time Series Data Set with Series Represented as Column Values

이 예에서는 다음 입력 사례 표를 사용합니다.This example uses the following table of input cases:

TimeIDTimeID ProductProduct SalesSales 볼륨Volume
1/20011/2001 변수를 잠그기 위한A 10001000 600600
2/20012/2001 변수를 잠그기 위한A 11001100 500500
1/20011/2001 BB 500500 900900
2/20012/2001 BB 300300 890890

이 테이블의 TimeID 열은 시간 식별자를 포함하며 각 날짜에 대해 두 개의 항목을 포함합니다.The TimeID column in the table contains a time identifier, and has two entries for each day. TimeID 열은 사례 계열이 됩니다.The TimeID column becomes the case series. 따라서 이 열을 시계열 모델에 대한 key time 열로 지정하게 됩니다.Therefore, you would designate this column as the key time column for the time series model.

Product 열은 데이터베이스에 제품을 정의합니다.The Product column defines a product in the database. 이 열에는 제품 계열이 포함됩니다.This column contains the product series. 따라서 이 열을 시계열 모델의 두 번째 키로 지정하게 됩니다.Therefore, you would designate this column as a second key for the time series model.

Sales 열은 지정한 제품의 하루 매출총이익을 나타내고 Volume 열은 창고에 남아 있는 지정한 제품의 수량을 나타냅니다.The Sales column describes the gross profits of the specified product for one day, and the Volume column describes the quantity of the specified product that remains in the warehouse. 이러한 두 개의 열에는 모델을 학습하는 데 사용되는 데이터가 들어 있습니다.These two columns contain the data that is used to train the model. Sales와 Volume은 둘 다 Product 열에 있는 각 계열의 예측 가능한 특성일 수 있습니다.Both Sales and Volume can be predictable attributes for each series in the Product column.

예제 2: 각 계열이 별도의 열에 있는 시계열 데이터 집합Example 2: Time Series Data Set with Each Series in Separate Column

이 예에서는 기본적으로 첫 번째 예와 동일한 입력 데이터를 사용하지만 다음 표와 같이 입력 데이터가 다르게 구성됩니다.Although this example uses basically the same input data as the first example, the input data is structured differently, as shown in the following table:

TimeIDTimeID A_SalesA_Sales A_VolumeA_Volume B_SalesB_Sales B_VolumeB_Volume
1/20011/2001 10001000 600600 500500 900900
2/20012/2001 11001100 500500 300300 890890

이 표에서 TimeID 열에는 key time 열로 지정한 시계열 모델에 대한 사례 계열이 계속 포함됩니다.In this table, the TimeID column still contains the case series for the time series model, which you designate as the key time column. 그러나 이전의 Sales 열 및 Volume 열은 이제 각각 두 개의 열로 분할되고 분할된 각 열 앞에는 제품 이름이 붙습니다.However, the previous Sales and Volume columns are now split into two columns and each of those columns are preceded by the product name. 그 결과 각 날짜에 대해 TimeID 열에 하나의 항목만 존재합니다.As a result, only a single entry exists for each day in the TimeID column. 그리고 A_Sales, A_Volume, B_Sales 및 B_Volume과 같은 4개의 예측 가능한 열이 포함되는 시계열 모델이 생성됩니다.This creates a time series model that would contain four predictable columns: A_Sales, A_Volume, B_Sales, and B_Volume.

또한 제품을 다른 열로 구분했기 때문에 추가 계열 키 열을 지정하지 않아도 됩니다.Furthermore, because you have separated the products into different columns, you do not have to specify an additional series key column. 모델의 모든 열은 사례 계열 열 또는 예측 가능한 열 중 하나입니다.All the columns in the model are either a case series column or a predictable column.

시계열 모델 보기Viewing a Time Series Model

모델을 학습한 후에는 그 결과가 일련의 패턴으로 저장되며 이러한 패턴을 탐색하거나 사용하여 예측을 만들 수 있습니다.After the model has been trained, the results are stored as a set of patterns, which you can explore or use to make predictions.

모델을 탐색하는 데는 시계열 뷰어를 사용할 수 있습니다.To explore the model, you can use the Time Series Viewer. 뷰어에는 미래 예측을 표시하는 차트 및 데이터의 주기적 구조에 대한 트리 뷰가 포함됩니다.The viewer includes a chart that displays future predictions, and a tree view of the periodic structures in the data.

예측을 계산하는 방법에 대해 자세히 보려면 Microsoft 일반 콘텐츠 트리 뷰어에서 모델을 찾아보십시오.If you want to know more about how the predictions are calculated, you can browse the model in the Microsoft Generic Content Tree Viewer. 모델에 대해 저장된 콘텐츠에는 ARIMA 및 ARTXP 알고리즘으로 검색되는 주기적 구조, 알고리즘 혼합에 사용되는 수식 및 기타 통계와 같은 세부 정보가 들어 있습니다.The content stored for the model includes details such as the periodic structures detected by the ARIMA and ARTXP algorithms, the equation used to blend the algorithms, and other statistics.

시계열 예측 만들기Creating Time Series Predictions

기본적으로 사용자는 Analysis ServicesAnalysis Services 를 통해 한 개의 시계열 모델에 대해 5개의 예측을 확인할 수 있습니다.By default, when you view a time series model, Analysis ServicesAnalysis Services shows you five predictions for the series. 그러나 여러 가지 예측을 반환하는 쿼리를 만들 수 있고 예측에 열을 추가하여 기술 통계를 반환할 수 있습니다.However, you can create queries to return a variable number of predictions, and you can extra columns to the predictions to return descriptive statistics. 시계열 모델에 대한 쿼리를 만드는 방법에 대한 자세한 내용은 시계열 모델 쿼리 예제를 참조하세요.For information about how to create queries against a time series model, see Time Series Model Query Examples. DMX(Data Mining Extensions)를 사용하여 시계열 예측을 만드는 방법의 예는 PredictTimeSeries(DMX)를 참조하세요.For examples of how to use Data Mining Extensions (DMX) to make time series predictions, see PredictTimeSeries (DMX).

MicrosoftMicrosoft 시계열 알고리즘을 사용하여 예측을 만들 경우 다음 추가 제한 사항 및 요구 사항을 고려해야 합니다.When using the MicrosoftMicrosoft Time Series algorithm to make predictions, you should consider the following additional restrictions and requirements:

  • 교차 예측은 혼합 모델 또는 ARTXP 알고리즘 기반 모델을 사용하는 경우에만 사용할 수 있습니다.Cross-prediction is only available when you use a mixed model, or when you use a model based solely on the ARTXP algorithm. ARIMA 알고리즘에만 기반을 둔 모델을 사용하는 경우 교차 예측은 수행할 수 없습니다.If you use a model based only on the ARIMA algorithm, cross-prediction is not possible.

  • 시계열 모델은 서버에서 사용하는 64비트 운영 체제에 따라 때로는 크게 다른 예측을 만들 수 있습니다.A time series model can make predictions that differ, sometimes significantly, depending on the 64-bit operating system that the server uses. 이러한 차이는 ItaniumItanium기반 시스템이 부동 소수점 산술의 수를 표시하고 처리하는 방식이 x64x64기반 시스템의 방식과 다르기 때문에 발생합니다.These differences occur due to the way that an ItaniumItanium-based system represents and handles numbers for floating-point arithmetic, which differs from the way that an x64x64-based system does these calculations. 예측 결과는 운영 체제에 따라 달라질 수 있으므로 프로덕션 환경에서 사용할 운영 체제와 동일한 운영 체제에서 모델을 평가하는 것이 좋습니다.Because prediction results can be specific to the operating system, we recommend that you evaluate models on the same operating system that you will use in production.

주의Remarks

  • PMML(Predictive Model Markup Language)을 사용한 마이닝 모델 생성은 지원하지 않습니다.Does not support using the Predictive Model Markup Language (PMML) to create mining models.

  • OLAP 마이닝 모델의 사용을 지원합니다.Supports the use of OLAP mining models.

  • 데이터 마이닝 차원의 생성은 지원하지 않습니다.Does not support the creation of data mining dimensions.

  • 드릴스루를 지원합니다.Supports drillthrough.

관련 항목:See Also

데이터 마이닝 알고리즘(Analysis Services - 데이터 마이닝) Data Mining Algorithms (Analysis Services - Data Mining)
Microsoft 시계열 뷰어를 사용 하 여 모델 찾아보기 Browse a Model Using the Microsoft Time Series Viewer
Microsoft 시계열 알고리즘 기술 참조 Microsoft Time Series Algorithm Technical Reference
시계열 모델 쿼리 예제 Time Series Model Query Examples
시계열 모델에 대한 마이닝 모델 콘텐츠(Analysis Services - 데이터 마이닝)Mining Model Content for Time Series Models (Analysis Services - Data Mining)