Machen Sie sich mit vertraut MetricBase APIs

  • Freigeben Version: Zurich
  • Aktualisiert 31. Juli 2025
  • 2 Minuten Lesedauer

    • Experimentieren Sie mit MetricBase APIs mit Datenexplorer Das ist Teil von MetricBase Demo-Anwendung. Datenexplorer Verwendet die mit dem installierten Daten MetricBase Demo-Anwendung.

    Vorbereitungen

    Erforderliche Rolle: clotho_admin

    Warum und wann dieser Vorgang ausgeführt wird

    Datenexplorer Ist ein Playground, auf dem Sie Beispielskripts anzeigen und bearbeiten können, die Daten visualisieren, die in enthalten sind MetricBase Demo-Anwendung. Die Beispielskripts verwenden MetricBase JavaScript-APIs. Für Informationen zu MetricBase JavaScript-APIs, siehe Client , Daten , Datengenerator , Umwandler , Teil umwandeln , TransformationsResult .

    Beachten Sie, dass der Endpunkt der Now/v1/clotho/transform/topic-API nur für die interne Verwendung reserviert ist.

    Beispielskripts verwenden entweder:

    • Transformationen, die verwenden Umwandler Methode.
    • Maschinensprache, trainierte Modelle, die das erwartete Verhalten vorhersagen. Alle Skripts ohne „Transformieren“ im Titel verwenden maschinelle Sprache.

    Prozedur

    1. Navigieren zu Alle > MetricBase-Demo > Datenexploreran.
      Die Daten-Explorer Wird angezeigt.
      Daten-Explorer-UI

      Wenn Sie ein Skript ausführen, wird die Datenvisualisierung unter angezeigt Daten-Explorer-Skriptergebnisanzeige .

    2. Wählen Sie eines der Beispielskripts aus, das in ausgeführt werden soll Beispielskript Menü.
      Schritte zum Ausführen eines Skripts
    3. Klicken Sie auf Beispiel laden.
    4. Klicken Sie auf Ausführen.
      Das Skript zeigt die Datenvisualisierung unter an Daten-Explorer-Skriptergebnisanzeige .
    5. Wahlweise: Ändern Sie die Werte oder Anweisungen im Skript, oder schreiben Sie ein komplett neues Skript, und klicken Sie auf Ausführen .
      Hinweis:
      Wenn Sie die Änderungen speichern möchten, die Sie im Skript vorgenommen haben, klicken Sie auf Speichern .
    6. Unter Serverausgabe , Sehen Sie sich die Antwort des Servers an, die Fehlerinformationen enthalten kann.

    Beispiel

    Tabelle : 1. Beispielskripts
    Beispiel-Skript Definition und Visualisierung
    Einfache Transformation Verwendet die Transformator-API, um eine einzelne Zeitreihenmetrik anzuzeigen, die durchschnittliche Geschwindigkeit der Drohnen: Transformer.metric('mb_Demo_mt_Speed').Durchschnitt ().

    Einfache Transformation mit Durchschnitt
    Einfache Transformation mit Gruppierung Verwendet die Transformator-API, um eine Gruppe von Zeitreihenmetriken anzuzeigen, die durchschnittliche Höhe der Flotte der Drohnen: 
    transformer.groupBy("fleet").metric("mb_demo_mt_altitude").
      avg().label('avg - %g:fleet:')

    Gruppierungstransformation
    Normales Modell Modelliert Normaldaten, die eine glockenförmige oder Gaußsche Kurve für verteilte Werte annähernd heranführen.
    Lineares Modell Erstellt eine Zeile, um die aktuellen Daten zusammenzufassen und zukünftige Werte vorherzusagen. In diesem Beispiel über die verbleibende Ladung in Drohnenbatterien werden sowohl die trainierten Modellwerte als auch der Durchschnitt der Werte grafisch dargestellt.
    var builder = new sn_clotho.Transformer(drones);
var fit = builder.metric("mb_demo_nt_rem_battery").resample(100).
          fit({model:"linear"}).label("Fitted");
builder.metric("nb_demp_mt_rem_battery").avg().label("Original")

    Lineares Modell
    Aufschlüsselungsmodell Für Saisonalen Trend Verwendet ein saisonales Trendmodell, damit Daten subtrahiert werden können, um nicht saisonale Trends anzuzeigen. Dieses Modell ähnelt dem Holt Winters-Modell, gelangt jedoch mit verschiedenen Algorithmen zum Ergebnis.
    var builder = new sn_clotho.Transformer(drones);
var metric = "nb_demo_mt_rem_battery";
var fit = builder.metric(metric).fit({model:"STL",periodicity:"PT2H", 
          innerCycles:1, outerCycles:10})

    Saisonale Korrektur des Trends
    Holt Winters-Modell Verwendet das saisonale Trendmodell „Holt Winters“, damit Daten subtrahiert werden können, um nicht saisonale Trends anzuzeigen. Dieses Modell ähnelt dem saisonalen Trendaufschlüsselungsmodell, gelangt jedoch mit verschiedenen Algorithmen zum Ergebnis.
    ARIMA-Modell Die allgemeinste Klasse von Modellen für die Vorhersage von Zeitreihendaten ohne Trend, d. h. alle Daten haben denselben Wert, oder die Werte schwanken sinusförmig um den Mittelwert.
    Abweichungsmodell Verwendet das Chisquare-Modell, um die Unterschiede zwischen den realen Daten und der Vorhersage des Modells anzuzeigen. 
    var metric = "nb_demo_mt_rem_battery";
builder.metric(metric).deviation(model, "chiSquare");

    Abweichungsmodell