本博客是"SAP Analytics Cloud Smart Predict in Detail中的时间序列预测"的扩展。我建议你在继续之前先看一下。今天我将向你展示如何通过使用额外的变量来提高预测的准确性。它是关于一家公司的差旅费和开支。财务总监认为这些成本太高。它们对公司的财务业绩有负面影响。有两个目标。首先是成本分析，以了解在哪些方面可以降低成本。第二是更好地预测未来成本，避免预算超支。
解决时间序列问题意味着预测被测变量的演变。如果可能，Smart Predict会使用其他变量。这样，智能预测可以更精确地分析信号。其效果是提高了预测模型的质量，淘客返利系统，进而提高了预测结果。在下一节中，为了说明这一点，
我将建立两个预测模型。我就用这个信号来建立第一个模型。对于第二个模型，我将向数据模型中添加候选影响者。然后我将比较结果以证明改进。
设置和训练
我首先创建一个时间序列预测场景。我添加了一个包含旅行和费用成本的第一个预测模型。信号变量是总的旅行成本。日期变量是这些成本的过帐日期。数据集在可变业务线（LOB）上进行分段。然后我选择排除所有其他变量。您可以在图1中看到下面的设置
图1：建立没有候选影响者的预测模型的设置
然后保存模型并进行训练
然后复制第一个模型。我更改它的设置以添加候选影响者。为此，我停止排除变量。设置如图2所示。
图2：用候选影响者建立预测模型的设置
模型也被保存和训练。
候选影响者
通常，数据集不只包含信号。其他变量也在同一时期被捕获，因为人们认为其他变量可能很重要。为过去、现在和未来的值收集这些变量可以带来额外的信息，这将有助于创建更好的模型。
在这个用例中，时间维度是成本的过账日期。利息的变量是成本。但还有其他变量。我把他们分成两组：
工作天数，假日月份，月度和季度结算日，每月的第一天和最后一天每周或每周的排名天数年终。
这是您对应用领域的知识，将指导您选择能够影响模型生成的变量。
智能预测使用这些候选影响因素来增加对信号趋势和周期的检测。它想要的是更好地描述这些组件。请记住，候选人影响者的未来价值必须是已知的（至少在预期的范围内）。趋势和周期描述越精确，预测就越好，如何获得大数据，置信区间也越小。
我比较了每个模型简报中提供的结论。目的是检查质量是否有改进，以及改进的地方。这种比较的结果将指导选择要保留的模型。让我们回顾一下这三种指标
地平线地图
有关地平线地图的定义，租用服务器，物联网企业，请参阅博客。请注意，我的云，视界宽度MAPE越小，预测值应越好。
当您查看两个模型的汇报时，HW-MAPE如图3所示。
图3：地平线范围MAPE的比较
这两个预测模型的差异表明，在信号分析过程中考虑额外变量时，HW-MAPE增加了22%。
不同LOB之间的旅行成本不同。因此，历史数据集是在LOB变量上分段的。最好为每个LOB建立一个特定的预测模型，这样高活动度的预测模型就不会影响那些活动度降低的预测模型。在每个模型的汇报中，我们可以看到（图4）每个段的单个水平宽度图。
图4：每个段水平宽度图的比较
除了三个LOB外，所有模型的精度都显著提高。以附加变量的形式添加知识有助于获得更精确的模型。但效果无法保证。这种影响的强度因不同的部分而异。一个变量对某些细分市场的影响比其他细分市场更大，Smart Predict可以检测出哪些是每个细分市场的影响因素变量。
趋势和周期
如果考虑到候选影响因素，可以改进趋势和周期的检测。让我们看看这对两段的影响。
段"操作"
图5：趋势检测的改进
当只有信号时，检测到的趋势是一条递减的直线。但是，当候选影响因素被添加时，检测到的趋势更倾向于信号。下降至2016年1月，并在
段"销售和营销"
图6：周期检测的改进
在该段，候选影响因素不影响趋势检测。在两个模型中都检测到趋势。但是，当单独分析信号时，没有检测到周期时，当添加候选影响因素时，就会发现一个周期。
这就是这两个部分的模型质量提高的原因。信号成分的检测和表征越好，预测模型的准确性越好。
置信区间
置信区间的定义是，它来自预测值和实际值之间的差异。让我们来精确地计算它。
