执行阶段
此步骤的目标是利用模型在训练期间学到的内容，对目标变量的未来值进行预测。目标变量以及（几乎）所有选定的特征都存储在输入执行数据集或数据源中。
此阶段预测目标变量的值。此阶段包含两个步骤：
- 预处理
- 预测
预处理步骤¶
预测计划（Predictive Planning）读取所选模型的实例，并使用它来计算预测值。例如，输入执行数据集/数据源中的特征包括：
- COVID_RATE
- PRICE
- MARKETING
- SALES_ST
- DISCOUNT_P
- CUST_SATISF
- QUAL_INDEX
- MARKET_VOL
- VAX_P
- PPI
- UNEMPL_RATE
而 VOLUME 是目标变量，预测计划（Predictive Planning）使用在训练阶段由 Boruta 算法选出的特征：
- COVID_RATE
- MARKETING-2：该特征偏移了两个（2）期间
- DISCOUNT_P
预测计划（Predictive Planning）利用训练阶段的信息对数据进行缩放，以读取所选模型的实例并使用它来计算预测值。
预测步骤¶
使用在模型选择步骤中选择的模型来计算预测值和置信区间。
附录 1：输入和输出数据集¶
有两个输入数据集：
- 一个用于训练阶段
- 一个用于执行阶段
有六个输出数据集：
- 四个用于训练阶段
- 两个用于执行阶段
数组可以定义某些字段，这意味着可以将更多的数据集列关联到该字段。
数组定义为一组构成维度键或时间键的字段。所有数据集的键必须相同（字段顺序也相同）。
从 Tagetik 的 SP31 版本开始，可以将数据源用作训练阶段和执行阶段的输入。
附录 1.1：训练输入数据集¶
该数据集包含历史数据，其中包括三（3）个固定字段以及两个（2）数组的附加字段。需要标识时间 ID 和时间序列维度键：
- MEASURE：历史序列的科目（文本）
- REF_DATE_1：标识历史序列时间 ID 的第一个字段（文本/数字）
- REF_DATE_2：标识历史序列时间 ID 的第二个字段（文本/数字）
- TARGET_WEIGHTS：在此字段中，根据需要预测的历史序列的重要性分配一个数字。（文本）该值必须为正数。 如果将 TARGET_WEIGHTS=0，这意味着模型将该变量识别为目标变量，但对该字段组合赋予零权重。
- AMOUNT：每个历史序列的金额（数字）
- DIMENSION_1：标识时间序列维度键的第一个字段（文本/数字）
- DIMENSION_2：标识时间序列维度键的第二个字段（文本/数字）
例如：
| MEASURE | REF_DATE_1 | REF_DATE_2 | TARGET_WEIGHTS | AMOUNT | DIMENSION_1 | DIMENSION_2 |
|---|---|---|---|---|---|---|
| VOLUME | 2023_ACT | 12 | 1 | 1500 | CHANNEL_1 | PRODUCT_1 |
| VOLUME | 2024_ACT | 01 | 0 | 2000 | CHANNEL_1 | PRODUCT_1 |
| VOLUME | 2024_ACT | 02 | 2 | 1980 | CHANNEL_1 | PRODUCT_1 |
| COVID_RATE | 2013_ACT | 12 | 0,01 | CHANNEL_1 | PRODUCT_1 | |
| COVID_RATE | 2024_ACT | 01 | 0,15 | CHANNEL_1 | PRODUCT_1 | |
| COVID_RATE | 2024_ACT | 02 | 0,20 | CHANNEL_1 | PRODUCT_1 | |
| MARKETING | 2013_ACT | 12 | -165000 | CHANNEL_1 | PRODUCT_1 | |
| MARKETING | 2024_ACT | 01 | -166300 | CHANNEL_1 | PRODUCT_1 | |
| MARKETING | 2024_ACT | 02 | -141000 | CHANNEL_1 | PRODUCT_1 |
附录 1.2：执行输入数据集¶
该数据集包含要预测的数据，其中包括三（3）个固定字段以及两个（2）数组的附加字段。
- MEASURE：历史序列的科目（文本）
- REF_DATE_1：标识历史序列时间 ID 的第一个字段（文本/数字）
- REF_DATE_2：标识历史序列时间 ID 的第二个字段（文本/数字）
- TARGET_WEIGHTS：在此字段中，根据需要预测的历史序列的重要性分配一个数字。（文本） 该值必须为正数。如果将 TARGET_WEIGHTS=0，这意味着模型将该变量识别为目标变量，但对该字段组合赋予零权重。
- AMOUNT：历史序列的金额。对于要预测的变量，该值为零（数字）
- DIMENSION_1：标识时间序列维度键的第一个字段（文本/数字）
- DIMENSION_2：标识时间序列维度键的第二个字段（文本/数字）
例如：
| MEASURE | REF_DATE_1 | REF_DATE_2 | TARGET_WEIGHTS | AMOUNT | DIMENSION_1 | DIMENSION_2 |
|---|---|---|---|---|---|---|
| VOLUME | 2026_PLAN | 01 | 1 | 0 | CHANNEL_1 | PRODUCT_1 |
| VOLUME | 2026_PLAN | 02 | 0 | 0 | CHANNEL_1 | PRODUCT_1 |
| VOLUME | 2026_PLAN | 03 | 2 | 0 | CHANNEL_1 | PRODUCT_1 |
| COVID_RATE | 2026_PLAN | 01 | 0,60 | CHANNEL_1 | PRODUCT_1 | |
| COVID_RATE | 2026_PLAN | 02 | 0,65 | CHANNEL_1 | PRODUCT_1 | |
| COVID_RATE | 2026_PLAN | 03 | 0,72 | CHANNEL_1 | PRODUCT_1 | |
| MARKETING | 2026_PLAN | 01 | -165800 | CHANNEL_1 | PRODUCT_1 | |
| MARKETING | 2026_PLAN | 02 | -166890 | CHANNEL_1 | PRODUCT_1 | |
| MARKETING | 2026_PLAN | 03 | -140900 | CHANNEL_1 | PRODUCT_1 |
附录 1.3：用于方法的训练输出数据集¶
该数据集包含在训练步骤中所选指标得分最佳的方法。它包括四（4）个固定字段以及数组的附加字段。需要标识时间序列维度键：
- MEASURE：历史序列的科目（文本）
- MODEL_NAME：在训练阶段选择的方法（文本）
- METRIC_TYPE：所选的指标（文本）
- METRIC_SCORE：所选指标的值（数字）
- DIMENSION_1：标识时间序列维度键的第一个字段（文本/数字）
- DIMENSION_2：标识时间序列维度键的第二个字段（文本/数字）
例如：
| MEASURE | MODEL_NAME | METRIC_TYPE | METRIC_SCORE | DIMENSION_1 | DIMENSION_2 |
|---|---|---|---|---|---|
| VOLUME | SARIMAX | MAPE | 3 | CHANNEL_1 | PRODUCT_1 |
附录 1.4：用于拟合的训练输出数据集¶
该数据集包含模型对每个日期的拟合值。需要标识时间 ID 和时间序列维度键：
- MEASURE：历史序列的科目（文本）
- REF_DATE_1：标识历史序列时间 ID 的第一个字段（文本/数字）
- REF_DATE_2：标识历史序列时间 ID 的第二个字段（文本/数字）
- FIT：历史序列的拟合值（数字）
- DIMENSION_1：标识时间序列维度键的第一个字段（文本/数字）
- DIMENSION_2：标识时间序列维度键的第二个字段（文本/数字）
例如：
| MEASURE | REF_DATE_1 | REF_DATE_2 | FIT | DIMENSION_1 | DIMENSION_2 |
|---|---|---|---|---|---|
| VOLUME | 2023_ACT | 12 | 1503 | CHANNEL_1 | PRODUCT_1 |
| VOLUME | 2024_ACT | 01 | 2010 | CHANNEL_1 | PRODUCT_1 |
| VOLUME | 2024_ACT | 02 | 1975 | CHANNEL_1 | PRODUCT_1 |
附录 1.5：用于解释的训练输出数据集¶
该数据集包含特征的重要性。
需要标识时间序列和变量：
- MEASURE：针对目标变量通过特征选择所选出的特征（文本）
- MEASURE_TARGET：目标变量（文本）
- DIMENSION_1：标识该变量的第一个字段（文本/数字）
- DIMENSION_2：标识该变量的第二个字段（文本/数字）
- IMPORTANCE：特征重要性（数字）
- DIMENSION_TARGET_1：标识目标维度键的第一个字段（文本/数字）
- DIMENSION_TARGET_2：标识目标维度键的第二个字段（文本/数字）
-
LAG：需要向前回溯的期间数（文本）
例如：
| MEASURE_TARGET | IMPORTANCE | MEASURE | DIMENSION_TARGET_1 | DIMENSION_TARGET_2 | DIMENSION_1 | DIMENSION_2 | LAG |
|---|---|---|---|---|---|---|---|
| VOLUME | 0.15 | COVID_RATE | CHANNEL_2 | PRODUCT_2 | CHANNEL_1 | PRODUCT_1 | 0 |
| VOLUME | 0.60 | MARKETING | CHANNEL_1 | PRODUCT_2 | CHANNEL_1 | PRODUCT_1 | -2 |
| VOLUME | 0.25 | DISCOUNT_P | CHANNEL_2 | PRODUCT_1 | CHANNEL_1 | PRODUCT_1 | -1 |
附录 1.6：用于贡献度的训练输出数据集¶
该数据集包含预测中每个变量和日期的贡献度。
需要标识时间 ID、时间序列维度键和变量：
- MEASURE：针对目标变量通过特征选择所选出的特征（文本）
- MEASURE_TARGET：目标变量（文本）
- DIM_1：标识该变量的第一个字段（文本/数字）
- DIM_2：标识该变量的第二个字段（文本/数字）
- CONTRIBUTION：贡献度（数字）
- MEASURE：要预测的科目（文本）
- REF_DATE_1：标识历史序列时间 ID 的第一个字段（文本/数字）
- REF_DATE_2：标识历史序列时间 ID 的第二个字段（文本/数字）
- DIM_TARGET_1：标识目标维度键的第一个字段（文本/数字）
- DIM_TARGET_2：标识目标维度键的第二个字段（文本/数字）
- LAG：需要向前回溯的期间数（文本）
例如：
| MEASURE_TARGET | CONTRIBUTION | MEASURE | REF_DATE_1 | REF_DATE_2 | DIM_TARGET_1 | DIM_TARGET_2 | DIM_1 | DIM_2 | LAG |
|---|---|---|---|---|---|---|---|---|---|
| VOLUME | -340 | COVID_RATE | 2023_ACT | 12 | CHANNEL_2 | PRODUCT_2 | CHANNEL_1 | PRODUCT_1 | 0 |
| VOLUME | -289 | COVID_RATE | 2024_ACT | 01 | CHANNEL_2 | PRODUCT_2 | CHANNEL_1 | PRODUCT_1 | 0 |
| VOLUME | -378 | COVID_RATE | 2024_ACT | 02 | CHANNEL_2 | PRODUCT_2 | CHANNEL_1 | PRODUCT_1 | -1 |
| VOLUME | 468 | MARKETING | 2023_ACT | 12 | CHANNEL_1 | PRODUCT_2 | CHANNEL_1 | PRODUCT_1 | -2 |
| VOLUME | 550 | MARKETING | 2024_ACT | 01 | CHANNEL_1 | PRODUCT_2 | CHANNEL_1 | PRODUCT_1 | 0 |
| VOLUME | 491 | MARKETING | 2024_ACT | 02 | CHANNEL_1 | PRODUCT_2 | CHANNEL_1 | PRODUCT_1 | -1 |
| VOLUME | 578 | DISCOUNT_P | 2023_ACT | 12 | CHANNEL_2 | PRODUCT_1 | CHANNEL_1 | PRODUCT_1 | 0 |
附录 1.7：执行输出数据集¶
该数据集包含每个目标变量的预测值和置信区间。
需要标识时间 ID 和时间序列维度键：
- MEASURE：历史序列的科目（文本）
- REF_DATE_1：标识历史序列时间 ID 的第一个字段（文本/数字）
- REF_DATE_2：标识历史序列时间 ID 的第二个字段（文本/数字）
- LOWER：置信区间的下界（数字）
- UPPER：置信区间的上界（数字）
- FORECAST：预测值（数字）
- DIMENSION_1：标识时间序列维度键的第一个字段（文本/数字）
- DIMENSION_2：标识时间序列维度键的第二个字段（文本/数字）
例如：
| MEASURE | REF_DATE_1 | REF_DATE_2 | LOWER | UPPER | FORECAST | DIMENSION_1 | DIMENSION_2 |
|---|---|---|---|---|---|---|---|
| VOLUME | 2026_PLAN | 01 | 1420 | 1620 | 1520 | CHANNEL_1 | PRODUCT_1 |
| VOLUME | 2026_PLAN | 02 | 1930 | 2130 | 2030 | CHANNEL_1 | PRODUCT_1 |
附录 1.8：用于贡献度的执行输出数据集¶
该数据集包含预测中每个变量和日期的贡献度。
需要标识时间 ID、时间序列维度键和变量：
- MEASURE：针对目标变量通过特征选择所选出的特征（文本）
- MEASURE_TARGET：目标变量（文本）
- DIM_1：标识该变量的第一个字段（文本/数字）
- DIM_2：标识该变量的第二个字段（文本/数字）
- CONTRIBUTION：贡献度（数字）
- MEASURE：要预测的科目（文本）
- REF_DATE_1：标识历史序列时间 ID 的第一个字段（文本/数字）
- REF_DATE_2：标识历史序列时间 ID 的第二个字段（文本/数字）
- DIM_TARGET_1：标识目标维度键的第一个字段（文本/数字）
- DIM_TARGET_2：标识目标维度键的第二个字段（文本/数字）
- LAG：需要向前回溯的期间数（文本）
| MEASURE_TARGET | CONTRIBUTION | MEASURE | REF_DATE_1 | REF_DATE_2 | DIM_TARGET_1 | DIM_TARGET_2 | DIM_1 | DIM_2 | LAG |
|---|---|---|---|---|---|---|---|---|---|
| VOLUME | -340 | COVID_RATE | 2026_PLAN | 01 | CHANNEL_2 | PRODUCT_2 | CHANNEL_1 | PRODUCT_1 | 0 |
| VOLUME | -289 | COVID_RATE | 2026_PLAN | 02 | CHANNEL_2 | PRODUCT_2 | CHANNEL_1 | PRODUCT_1 | 0 |
| VOLUME | -378 | COVID_RATE | 2026_PLAN | 03 | CHANNEL_2 | PRODUCT_2 | CHANNEL_1 | PRODUCT_1 | -1 |
| VOLUME | 468 | MARKETING | 2026_PLAN | 01 | CHANNEL_1 | PRODUCT_2 | CHANNEL_1 | PRODUCT_1 | -2 |
| VOLUME | 550 | MARKETING | 2026_PLAN | 02 | CHANNEL_1 | PRODUCT_2 | CHANNEL_1 | PRODUCT_1 | 0 |
| VOLUME | 491 | MARKETING | 2026_PLAN | 03 | CHANNEL_1 | PRODUCT_2 | CHANNEL_1 | PRODUCT_1 | -1 |
| VOLUME | 578 | DISCOUNT_P | 2026_PLAN | 01 | CHANNEL_2 | PRODUCT_1 | CHANNEL_1 | PRODUCT_1 | 0 |
例如：
附录 2：维度和参考日期¶
DIMENSIONS LIST：如果需要多个维度来标识时间序列键（例如 ENTITY、CHANNEL、PRODUCT），可以直接在配置窗口中映射字段。
REF_DATE：如果需要多个维度来标识历史序列的时间 ID（例如 SCENARIO、PERIOD），可以直接在配置窗口中映射字段。
例如：
附录 3：参数¶
训练阶段需要设置的参数包括以下内容：
-
Log level：
-
DEBUG（记录所有信息）
- INFO（记录所有警告、错误、严重错误和一般信息，不记录调试信息）
- WARNING（记录所有警告、错误和严重错误）
- ERROR（记录所有错误和严重错误）
- CRITICAL（仅记录严重错误）
-
Models List：列出用于训练数据的模型。该参数可设置为模型列表中的全部模型或子集：
-
AdaBoost
- ElasticNetReg
- DecisionTree
- GradientBoosting
- LinearRegressor
- RidgeRegressor
- LassoRegressor
- SGDRegressor
- KNeighbors
- SupportVector
- ExtraTreesReg
- RandomForestReg
- Sarimax
- HoltWinters
- LightGBM
-
Metric to optimize：用于评估所有模型的指标。该参数可设置为列表中的某一指标：
-
MAPE（mean_absolute_percentage_error）
- MGD（mean_gamma_deviance）
- MPD（mean_poisson_deviance）
- R2（r2）
- MEAE（median_absolute_error）
- MSLE（mean_squared_log_error）
- MSE（mean_squared_error）
- MAE（mean_absolute_error）
- ME（max_error）
-
E_VARIANCE（explained_variance）
-
Use the seasonality of the target feature：Y（是）或 N（否），用于决定是否创建目标特征的季节性。默认值为 Y（是）。根据季节性周期，取目标变量并计算其平均值。
- Use the seasonality of the exogenous features：Y（是）或 N（否），用于决定是否创建外部特征的季节性。默认值为 Y（是）。根据季节性周期，取外生变量并计算其平均值。
- Seconds threshold for expensive methods：创建特征之间依赖图的时间。如果算法超过该参数设置的时间，算法将停止，并选择所有特征。默认值为 1800，但该参数可设置为区间 [0, 86400] 内的值。
- Remove collinear features：Y（是）、N（否），用于决定是否执行共线性测试以移除共线特征。共线性测试可能耗时较长，如果不希望执行该测试以节省时间，请选择 'N' 选项。
- Get Shapley Values contributions：Y（是）或 N（否），用于决定在训练阶段是否使用 Shapley 值贡献度。默认值为 N（否）。如果保持默认值不变，则不会填充贡献度数据集。但这不会影响在执行阶段所做的选择。可以在训练阶段跳过 Shapley 值贡献度，而在执行阶段启用它（反之亦然）。
- Use all exogenous features or only those with the same dimensionality：Y（是）或 N（否），用于决定是使用所有外生特征还是仅使用具有相同维度的外生特征。设置为 Y 时，模型在同一次处理中使用所有外生特征；设置为 N 时，模型对具有相同维度组合的特征运行不同的处理。
- Accuracy threshold for features selection：回归方法用于检测独立特征的阈值。默认值为 0.7，但该参数可设置为区间 [0;1] 内的值。值越高，检测到的特征依赖性越低。
- Perform Boruta features selection：Y（是）或 N（否），用于决定是否使用 Boruta 算法执行特征选择。
- Use the lagged exogenous features：Y（是）或 N（否），用于创建外生特征的滞后版本。默认值为 Y（是），但可以设置为 N（否）以减少处理时间。
- Feature max lag：可应用于所选变量（目标变量或外生变量）的最大滞后值。默认值为 AUTO，对应季节性值。
- Use the lagged target feature：Y（是）或 N（否），用于创建目标特征的滞后版本。默认值为 Y（是），但可以设置为 N（否）以减少处理时间。
例如：
执行阶段需要设置的参数包括：
- Forecast Confidence Level：用于计算预测金额置信区间的百分比。
- Get Shapley Values contributions：Y（是）或 N（否），用于决定在训练阶段是否使用 Shapley 值贡献度。默认值为 N（否）。 如果保持默认值不变，则不会填充贡献度数据集。但这不会影响在执行阶段所做的选择。 可以在训练阶段跳过 Shapley 值贡献度，而在执行阶段启用它（反之亦然）。
-
Log level：
-
DEBUG（记录所有信息）
- INFO（记录所有警告、错误、严重错误和一般信息，不记录调试信息）
- WARNING（记录所有警告、错误和严重错误）
- ERROR（记录所有错误和严重错误）
- CRITICAL（仅记录严重错误）
例如
