• /
  • EnglishEspañolFrançais日本語한국어Português
  • ログイン今すぐ開始

この機械翻訳は、参考として提供されています。

英語版と翻訳版に矛盾がある場合は、英語版が優先されます。詳細については、このページを参照してください。

問題を作成する

NRQL予測

概要

NRQL predictions New Relicは、時系列の履歴データ パターンを使用して将来の傾向を予測または予測し、メトリクスが将来どのように動作するかをサイトに提供します。 このプロアクティブなアプローチにより、傾向を視覚化して潜在的な問題を予測し、タイムリーな介入によって最適なシステム パフォーマンスを維持できるようになります。シグナルの予測は、機械学習モデルを履歴データに適合させ、そのモデルを使用して将来を予測することによって生成されます。この機能は現在、季節性(一定のリズムで繰り返されるパターンを持つデータ)と非季節性の両方の時系列の予測をサポートしています。強い傾向や明確な季節パターンを示すメトリクスは、予測に最適です。 これらの予測は、メトリクスがどこに向かっているのかを簡単に視覚的に示すために、既存のダッシュボードに追加すると最もよく活用されます。

重要

NRQL predictions 時系列クエリとのみ互換性があります。時系列クエリの記述の詳細については、 TIMESERIES句の NRQL 構文ドキュメントを参照してください。

NRQL Predictions

時系列に対してNRQL predictions ( PREDICT句) を使用して行われた予測。この例では、 BYキーワードに基づいて、1 日先の予測が生成されます。これらの予測を生成するモデルは、クエリ ウィンドウからの 3 日間とUSINGキーワードからの 2 週間 (14 日間) の合計 17 日間のデータでトレーニングされます。チャートにはすべてのトレーニング データが表示されないことに注意してください。

チャートやダッシュボードに予測を追加する場合の例:

  • 過去数時間にわたってアプリケーションがより多くのログを生成しており、ディスク容量が不足しています。
  • アプリケーションのメモリが徐々に不足し、コンテナ全体がクラッシュする恐れがあります。
  • 観察された季節や傾向のパターンに基づいて将来の収益を予測する必要があります。

NRQL predictions自体は潜在的な問題を特定しませんが、傾向を評価し、将来の課題に備えるために必要な情報を提供します。予測値が差し迫った問題を示している場合にアラートを生成するには、 Predictive Alerts機能を使用できます。Predictive AlertsNRQL predictionsと連携して、メトリクスとその予測値が静的閾値を超えた場合の集計の予測を生成します。

価格

NRQL predictionsは、アドオンまたは計算価格モデルの一部として提供される高度な計算製品機能です。 この機能に対して NRQL クエリが実行されるときに、高度なCCU が消費されます。

使用方法

NRQL predictions すでに作成したチャート上で直接生成するか、 PREDICT句を使用して NRQL クエリを記述するかの 2 つの方法で生成できます。

デフォルトの動作

重要

デフォルトのPREDICT句を使用すると、最適な予測結果が得られます。

クエリ内のPREDICT句には、クエリ ウィンドウの期間 ( SINCE句とUNTIL句を使用して指定) に応じて次のデフォルトの動作があります。

Default behavior

季節性

履歴データに季節性があるかどうかを自動的に検出します。季節性が検出された場合は、識別された季節の長さを使用して季節モデルが生成され、それ以外の場合は非季節モデルが使用されます。現在、季節の長さは時間単位、日単位、週単位をサポートしています。季節性の詳細については、アルゴリズムのセクションを参照してください。

アルゴリズムのハイパーパラメータ

ハイパーパラメータは履歴データに基づいて自動的に最適化および選択されます。

トレーニング用の履歴データの量

過去 3 つのクエリ ウィンドウ (現在のウィンドウとその前の 2 つ) の履歴データを使用します。たとえば、クエリ ウィンドウの長さが 1 時間の場合、トレーニングには合計 3 時間が使用されます。グラフには、トレーニング データ全体ではなく、現在のクエリ ウィンドウのデータのみが表示されます。

  • クエリ ウィンドウには特定の時間の長さのみを表示し、トレーニングにはより多くのデータを使用する場合は、 USINGを使用できます。
  • デフォルト以外の季節性を指定した場合、使用されるトレーニング データの量が異なります。詳細は季節のセクションを参照してください。

予測ウィンドウ

クエリ ウィンドウで指定された合計時間範囲の 20% に等しい範囲を予測します。たとえば、クエリ ウィンドウが 1 時間の場合、予測は次の 12 分間になります。このデフォルトはBYで上書きできます。

BYUSING 、および SLIDE BY

モデルの季節性を手動で設定し、 BYUSINGSLIDE BYキーワードを追加することで、予測をカスタマイズできます。

アルゴリズム

現在、 NRQL predictions季節性時系列と非季節性時系列の両方に対して、指数平滑法とも呼ばれるHolt-Wintersアルゴリズムをサポートしています。これは、予測や時系列予測に一般的に使用される標準アルゴリズムです。

季節を問わず

季節性のない時系列の場合、レベル (平均値) と傾向 (平均増加または減少) のみがモデル化されます。季節性のない予測は直線的であるため、傾向の有無にかかわらず平坦な線が予想されます。

Non-seasonal predictions

季節性のない時系列に対してNRQL predictionsを使用して生成された予測。

季節限定

季節時系列の場合、レベルとトレンドに加えて季節パターンも含まれます。季節性は、ある周期的に発生する繰り返し可能なパターンを表します。Holt-Winters モデルでは、デフォルトで時間別、日別、週別の季節の長さの自動検出をサポートしています。それぞれの季節の長さを検出するには、クエリ ウィンドウの期間 ( SINCE句とUNTIL句を使用して指定) とUSING句の組み合わせを通じて十分なデータを提供していることを確認する必要があります。季節の長さごとに必要な最小データ量は以下に指定されています。デフォルトでは、 USING句が使用されていない場合、 NRQL predictionsクエリ ウィンドウの 3 倍を使用して予測を生成します。

Detectable seasonalities

Description

Minimum amount of required data

時間単位

時間内の各タイムスタンプは、前の時間と同じように動作します。たとえば、午後 3:20 は、午後 2:20、午後 1:20 などと同じように動作します。

2時間

毎日

各時間は前日の時間と同じように動作します。たとえば、今日の午後 3 時は、昨日の午後 3 時と同じように動作します。

2日間

週刊

それぞれの曜日は、前の週と同じように動作します。たとえば、今週の月曜日は、前の週の月曜日と同じように動作します。

2週間

seasonalityを使用してカスタムの季節の長さを指定できます。

Weekly seasonal predictions

週ごとの季節性を持つ時系列に対してNRQL predictionsを使用して生成された予測。

高度な使用法

Copyright © 2025 New Relic株式会社。

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