Geschäftskontext
Ein Energieversorger muss den Stromverbrauch alle 15 Minuten vorhersagen, um die Netzstabilität zu gewährleisten. Das Szenario testet die Performance der Aktion bei einer hohen Anzahl von Datenpunkten über einen langen Zeitraum unter Verwendung spezifischer Threading-Einstellungen.
Über das Set : uniTimeSeries
Analyse und Prognose univariater Zeitreihen.
Entdecken Sie alle Aktionen von uniTimeSeries Datenaufbereitung
Generierung von 10 Jahren 15-Minuten-Intervall-Daten (ca. 350.000 Zeilen).
Kopiert!
| 1 | |
| 2 | DATA mycas.energy_load; |
| 3 | datetime = '01JAN2014:00:00:00'dt; |
| 4 | DO i = 1 to 350400; |
| 5 | load = 2000 + 500 * sin(i/96) + rand('Normal', 0, 50); |
| 6 | OUTPUT; |
| 7 | datetime = intnx('DT15MIN', datetime, 1); |
| 8 | END; |
| 9 | FORMAT datetime datetime20.; |
| 10 | |
| 11 | RUN; |
| 12 |
Étapes de réalisation
1
Initialisierung der Performance-Messung.
Kopiert!
| 1 | |
| 2 | PROC CAS; |
| 3 | sessionProp.setSessOpt / metrics=true; |
| 4 | |
| 5 | RUN; |
| 6 |
2
Ausführung von ESM mit expliziter Thread-Zuweisung und der Methode 'WINTERS' (rechenintensiv).
Kopiert!
| 1 | |
| 2 | PROC CAS; |
| 3 | uniTimeSeries.esm TABLE={name='energy_load'} timeId={name='datetime'} interval='DT15MIN' nThreads=4 forecast={{name='load', method='WINTERS', lead=672}} outEst={name='model_params', replace=true}; |
| 4 | |
| 5 | RUN; |
| 6 |
Erwartetes Ergebnis
Die Aktion verarbeitet erfolgreich das große Datenvolumen im 15-Minuten-Takt. Das 'WINTERS'-Modell erfasst die täglichen Saisonalitäten. Die Ausführungszeit bleibt durch die Verwendung von 4 Threads innerhalb akzeptabler Grenzen, und die Modellparameter werden in 'model_params' gespeichert.