Te ofrecemos esta traducción automática para facilitar la lectura.
En caso de que haya discrepancias entre la versión en inglés y la versión traducida, se entiende que prevalece la versión en inglés. Visita esta página para obtener más información.
Todavía estamos trabajando en esta característica, ¡pero nos encantaría que la probaras!
Esta característica se proporciona actualmente como parte de un programa de vista previa de conformidad con nuestras políticas de prelanzamiento.
NRQL Predictions en New Relic emplea los datos históricos de su métrica para predecir tendencias futuras, proporcionando información valiosa sobre cómo podría comportar la métrica en el futuro. Este enfoque proactivo lo ayuda a visualizar tendencias y anticipar problemas potenciales, lo que permite realizar intervenciones oportunas para mantener un rendimiento óptimo del sistema. Si bien NRQL Predictions en sí no identifica problemas potenciales, le proporciona la información necesaria para evaluar tendencias y planear desafíos futuros.
Para la identificación automática de posibles problemas, puedes inscribirte en la función Predictive Alerts , actualmente disponible en vista previa pública. Predictive Alerts trabaja junto con NRQL Predictions para activar alertas automáticamente cuando las tendencias proyectadas indican un problema potencial, lo que permite una gestión proactiva de sus sistemas.
Precios
Su uso de NRQL Predictions se facturará durante la vista previa de acuerdo con su Pedido según corresponda al modelo de precios asociado con su Cuenta. Las consultas de New Relic Language Consulta (NRQLS) relacionadas con el uso de esta característica se facturan como el producto principal de Calcular. Si esta función se vuelve generalmente disponible, su uso será facturable de acuerdo con su Pedido.
Para obtener más detalles sobre los precios, comunicar con nuestro equipo de ventas o consulte su pedido.
Inscripción
Para inscribir en la función NRQL Predictions , navegue a one.newrelic.com > Administration > Preview & Trials y habilite NRQL predictions.
Agregar predicción en un gráfico de líneas o áreas
Puede agregar predicciones a gráficos de líneas y áreas de las siguientes dos maneras:
Para agregar una predicción a un gráfico existente, siga estos pasos:
Para agregar una predicción a un gráfico de líneas o áreas, selecciónelo desde Dashboards o ábralo desde Metrics and events.
Agregar predicción
Para agregar predicción, desde el Menú, seleccione Predict trend. En Data Explorer, la tendencia de predicción aparece en el gráfico, proyectando tendencias futuras. El rango de predicción se establece automáticamente en el 20% de la ventana de consulta y se resalta en gris. El gráfico aparece en líneas de puntos dentro del rango previsto.
La palabra clave PREDICT se agrega a la consulta del gráfico. Puede refinar la consulta según sus requisitos y ejecutarla para obtener la tendencia actualizada.
Sugerencia
Cuando agrega predicción a un gráfico de área, el tipo de gráfico cambia a un gráfico de líneas con predicción.
Agregar al dashboard
Para agregar el gráfico con predicción a un dashboard, haga clic en Add to dashboard.
Introduzca un nombre para el widget.
Seleccione un dashboard en el que desea agregar el widget o cree un nuevo dashboard para él.
Ahora puedes ver el gráfico con la predicción en el dashboard seleccionado.
Para agregar la cláusula PREDICT a una consulta NRQL, siga estos pasos:
Crear una consulta NRQL
Vaya a one.newrelic.com y seleccione la cuenta en la que desea crear la consulta.
Para abrir Data Explorer, seleccione Query Your Data.
Redactar una consulta de seriales de tiempo empleando la sintaxis NRQL. Consulte la documentación de sintaxis NRQL para obtener más información.
Para agregar predicción al gráfico, agregue la cláusula PREDICT a la consulta y ejecútela. El rango de predicción se establece automáticamente en el 20% de la ventana de consulta y se resalta en gris. El gráfico aparece en líneas de puntos dentro del rango previsto.
Para agregar el gráfico con predicción a un dashboard, haga clic en Add to dashboard.
Introduzca un nombre para el widget.
Seleccione un dashboard en el que desea agregar el widget o cree un nuevo dashboard para él.
Ahora puedes ver el gráfico con la predicción en el dashboard seleccionado.
Algoritmo de predicción compatible
Actualmente, NRQL predictions solo admite el algoritmo Holt-Winters para seriales de tiempo estacionales y no estacionales. Este es un algoritmo comúnmente empleado y estándar para tareas de pronóstico y predicción. Admitimos duraciones estacionales por hora, día y semana para el modelo Holt-Winters.
Comportamiento por defecto
La cláusula PREDICT en una consulta viene con los siguientes comportamientos predeterminados:
Estacionalidad: detecta automáticamente la estacionalidad en los datos y emplea la misma duración de temporada para construir el modelo predictivo. Si no se encuentra estacionalidad, se construye un modelo no estacional.
Ventana de predicción: proyecta el 20% del lapso de tiempo total especificado en la ventana de consulta.
datos históricos para entrenamiento: Emplea datos históricos de la ventana de consulta actual y de las dos anteriores para generar predicciones.
Intervalo de tiempo: se alinea con el intervalo de puntos de datos del serial de tiempo en la ventana de consulta para garantizar la coherencia en la proyección de datos.
Puede personalizar las predicciones configurando manualmente los hiperparámetros del modelo de entrenamiento y agregando las palabras clave USING y BY . Para familiarizar con NRQL, consulte la documentación de NRQL.
Actualmente, Holt-Winters es el único algoritmo de predicción que admitimos y viene con varios hiperparámetros para ayudarlo a ajustar sus predicciones. Consulte la siguiente tabla para comprender el comportamiento de cada hiperparámetro y elegir los que se adapten a su caso de uso.
Para modificar su consulta, agregue holtwinters(<hyperparameters>: <value>) luego de la cláusula PREDICT .
Hiperparámetro
Valor
Comportamiento
seasonality
<season length>
Establece la estacionalidad del serial temporal en una duración de temporada específica. Cerciorar de que la duración de la temporada sea de integer unit tiempo.\
Ejemplos: 1 day o 3 hours
AUTO
Detecta automáticamente la estacionalidad de los seriales temporales y genera predicciones con la estacionalidad identificada.
NONE
Desactiva la estacionalidad del serial temporal y genera una predicción no estacional.
Importante
seasonality: NONE no es compatible con el hiperparámetro gamma , que establece el factor de suavizado de temporada.
alpha
0 a 1
Establece el factor de suavizado de nivel.
Valor más bajo: mayor peso en los datos históricos.
Valor más alto: mayor peso en los datos recientes.
beta
0 a 1
Establece el factor de suavizado de tendencia.
Valor más bajo: mayor peso en los datos históricos.
Valor más alto: mayor peso en los datos recientes.
gamma
0 a 1
Establece el factor de suavizado de temporada.
Valor más bajo: mayor peso en los datos históricos.
Valor más alto: mayor peso en los datos recientes.
phi
0,98 a 1
Establece el parámetro de amortiguación de tendencia.
Valor más bajo: mayor efecto de amortiguación en la curva de predicción que se nivela gradualmente hasta formar una curva plana.
Valor más alto: menor efecto de amortiguación en la curva de predicción.
Emplee la palabra clave BY para establecer a qué distancia en el tiempo desea que el modelo prediga. Por ejemplo, PREDICT BY 3 hours genera una predicción de tres horas en el futuro a partir del último punto en el serial temporal. Cerciorar de que el lapso de tiempo sea integer unit .
Emplee la palabra clave USING para especificar la cantidad de datos históricos que desea emplear para capacitar el modelo. Por ejemplo, PREDICT USING 1 day emplea la ventana de consulta junto con los datos del día anterior para capacitar el modelo. Cerciorar de que el lapso de tiempo sea integer unit .
Ejemplo de uso de PREDICT con hiperparámetros, palabras clave BY y USING :
Esta consulta establece la estacionalidad en detección automática y enfatiza los datos históricos ajustando el factor de suavizado de nivel. Predice una hora en el futuro y capacita el modelo empleando la longitud de la ventana de consulta junto con las dos horas anteriores de datos históricos. El gráfico muestra la predicción personalizada de la siguiente manera:
