• /
  • EnglishEspañolFrançais日本語한국어Português
  • Se connecterDémarrer

Cette traduction automatique est fournie pour votre commodité.

En cas d'incohérence entre la version anglaise et la version traduite, la version anglaise prévaudra. Veuillez visiter cette page pour plus d'informations.

Créer un problème

Prévisions NRQL

Présentation

NRQL predictions dans New Relic, il utilise les modèles de données historiques de vos séries temporelles pour prédire ou prévoir les tendances futures, en fournissant des informations détaillées sur le comportement des métriques à l'avenir. Cette approche proactive vous aide à visualiser les tendances et à anticiper les problèmes potentiels, permettant des interventions rapides pour maintenir des performances optimales du système. Les prédictions pour votre signal sont générées en ajustant un modèle d'apprentissage automatique à vos données historiques et en utilisant ce modèle pour prédire l'avenir. Cette fonctionnalité prend actuellement en charge les prédictions pour les séries chronologiques saisonnières (données présentant un modèle récurrent et répétable à une cadence définie) et non saisonnières. Les métriques qui présentent une forte tendance ou un modèle saisonnier défini sont les mieux adaptées aux prévisions. Ces prédictions sont mieux utilisées lorsqu'elles sont ajoutées au tableau de bord existant pour donner un indicateur visuel rapide de la direction que prennent vos métriques.

Important

NRQL predictions ne sont compatibles qu'avec les requêtes de séries temporelles. Pour plus de détails sur l'écriture de requêtes de séries chronologiques, reportez-vous à la documentation de la syntaxeNRQL sur la clause TIMESERIES .

NRQL Predictions

Prédictions faites à l'aide de NRQL predictions (clause PREDICT ) pour une série chronologique. Dans cet exemple, les prévisions sont générées pour un jour dans le futur, en fonction du mot-clé BY . Le modèle produisant ces prédictions est formé sur un total de 17 jours de données : 3 jours de la fenêtre de requête plus 2 semaines (14 jours) du mot-clé USING . Notez que le graphique n’affiche pas toutes les données d’entraînement.

Exemples de situations dans lesquelles vous pourriez vouloir ajouter des prédictions à votre graphique ou dashboard:

  • Votre application produit davantage de logs au cours des dernières heures et l'espace disque s'épuise.
  • Votre application manque progressivement de mémoire, menaçant de faire planter l'ensemble du conteneur.
  • Vous devez projeter les revenus futurs en fonction des tendances et des tendances saisonnières observées.

Bien que NRQL predictions eux-mêmes n’identifient pas les problèmes potentiels, ils vous fournissent les informations dont vous avez besoin pour évaluer les tendances et planifier les défis futurs. Pour générer des alertes lorsque les valeurs prédites indiquent un problème imminent, vous pouvez utiliser la fonctionnalité Predictive Alerts . Predictive Alerts fonctionne aux côtés de NRQL predictions pour générer des prédictions pour vos métriques et vous alerter lorsque ces valeurs prédites dépassent un seuil statique.

Tarifs

NRQL predictions est une fonctionnalité de produit Advanced Compute proposée en tant que module complémentaire ou dans le cadre du modèle de tarification calculer. Les CCU avancés sont consommés lorsque les requêtes NRQL sont exécutées pour cette fonctionnalité.

Usage

NRQL predictions peut être généré de deux manières : soit directement sur des graphiques que vous avez déjà créés, soit en écrivant une requête NRQL à l'aide de la clause PREDICT.

Comportement par défaut

Important

L’utilisation de la clause par défaut PREDICT fournit les meilleurs résultats de prédiction.

La clause PREDICT dans une requête est accompagnée des comportements par défaut suivants qui dépendent de la durée de votre fenêtre de requête (spécifiée à l'aide des clauses SINCE et UNTIL ) :

Default behavior

Saisonnalité

Détecte automatiquement si la saisonnalité est présente dans les données historiques. Si une saisonnalité est détectée, la durée de la saison identifiée est utilisée pour générer un modèle saisonnier, sinon un modèle non saisonnier est utilisé. Nous prenons actuellement en charge des durées saisonnières horaires, quotidiennes et hebdomadaires. Pour plus de détails sur la saisonnalité, reportez-vous à la section algorithme .

Hyperparamètres d'algorithme

Les hyperparamètres sont automatiquement optimisés et sélectionnés en fonction des données historiques.

Quantité de données historiques pour la formation

Utilise les données historiques des trois dernières fenêtres de requête (celle actuelle et les deux précédentes). Par exemple, si votre fenêtre de requête dure une heure, un total de trois heures sera utilisé pour la formation. Le graphique affiche uniquement les données de la fenêtre de requête actuelle, et non l'intégralité des données de formation.

  • Si vous souhaitez afficher uniquement une certaine durée dans la fenêtre de requête mais utiliser davantage de données pour la formation, vous pouvez utiliser la clauseUSING .
  • Si une saisonnalité autre que la valeur par défaut est spécifiée, la quantité de données d'entraînement utilisées sera différente. Pour plus de détails, consultez la section saisonnière .

Fenêtre de prédiction

Prédit une plage égale à 20 % de la durée totale spécifiée dans votre fenêtre de requête. Par exemple, si votre fenêtre de requête est d’une heure, les prédictions porteront sur les 12 prochaines minutes. Vous pouvez remplacer cette valeur par défaut avec la clauseBY .

Personnalisation des prédictions avec BY, USING et SLIDE BY

Vous pouvez personnaliser les prédictions en définissant manuellement la saisonnalité du modèle et en ajoutant les mots-clés BY, USING et SLIDE BY .

Algorithme

Actuellement, NRQL predictions prend en charge l'algorithme Holt-Winters , également connu sous le nom de lissage exponentiel, pour les séries chronologiques saisonnières et non saisonnières. Il s’agit d’un algorithme couramment utilisé et standard pour les prévisions et les prédictions de séries chronologiques.

Non saisonnier

Pour les séries chronologiques non saisonnières, seuls le niveau (valeur moyenne) et la tendance (augmentation ou diminution moyenne) sont modélisés. Les prévisions non saisonnières sont linéaires, donc une ligne plate avec ou sans tendance est attendue.

Non-seasonal predictions

Prédictions générées à l'aide de NRQL predictions pour une série chronologique non saisonnière.

Saisonnier

Pour les séries chronologiques saisonnières, le modèle saisonnier est inclus en plus du niveau et de la tendance. La saisonnalité représente un modèle répétable qui se produit sur une base périodique. Nous prenons en charge la détection automatique des saisons horaires, quotidiennes et hebdomadaires par défaut pour le modèle Holt-Winters. Afin de détecter chaque durée saisonnière, vous devez vous assurer que vous fournissez suffisamment de données via une combinaison de la durée de la fenêtre de requête (spécifiée à l'aide des clauses SINCE et UNTIL ) et de la clause USING . La quantité minimale de données requise pour chaque durée saisonnière est spécifiée ci-dessous. Par défaut, lorsqu'aucune clause USING n'est utilisée, NRQL predictions utilisera trois fois la fenêtre de requête pour générer des prédictions.

Detectable seasonalities

Description

Minimum amount of required data

Toutes les heures

Chaque horodatage dans l'heure se comporte de la même manière que dans les heures précédentes. Par exemple, 15h20 se comportera exactement comme 14h20, 13h20, etc.

2 heures

Tous les jours

Chaque heure se comporte de la même manière que les heures du jour précédent. Par exemple, 15 heures aujourd’hui se comportera de la même manière qu’hier à 15 heures.

2 jours

Hebdomadaire

Chaque jour de la semaine se comportera de la même manière que les semaines précédentes. Par exemple, le lundi de cette semaine se comportera de la même manière que le lundi des semaines précédentes.

2 semaines

Vous pouvez spécifier des durées saisonnières personnalisées à l'aide du paramètre seasonality .

Weekly seasonal predictions

Prédictions générées à l'aide de NRQL predictions pour une série chronologique avec saisonnalité hebdomadaire.

Utilisation avancée

Droits d'auteur © 2025 New Relic Inc.

This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.