时序差分聚合 serial_diff

Serial Differencing Aggregation

Serial Diff 的公式

其中n是使用的周期。

解释：用当前点减去上一个周期的对应点，然后得出一个新的时序图，周期为1相当于不对时间做归一化求导，它表示一个点到下一个点的变化。单周期差分聚合对移除常量和线性趋势是很有用的。

在本例中，通过计算第一个差异，我们对数据进行去趋势化（例如，去除恒定的线性趋势）。我们可以看到，数据变成了一个平稳的序列（例如，第一个差异随机分布在零附近，似乎没有表现出任何模式/行为）。转换表明数据集遵循随机游走；该值是先前的值+/-随机量。这种洞察力允许选择进一步的分析工具。

图15. 道琼斯指数用第一次差分绘制并固定

较大的周期可用于消除季节性/周期性行为。在这个例子中，旅鼠群是用正弦波+恒定线性趋势+随机噪声合成生成的。正弦波的周期为30天。

第一个差异消除了恒定趋势，只留下一个正弦波。然后将第30个差分应用于第一个差分以去除循环行为，留下一个可用于其他分析的平稳序列。

图16.用第1和第30个差值绘制的勒明斯数据

语法

{
    "serial_diff": {
        "buckets_path": "the_sum",
        "lag": "7"
    }
}

参数名	描述	是否必须	默认值
buckets_path	我们希望为其查找派生的Bucket的路径	必选
lag	要从当前值中减去的历史存储段。	可选	1
gap_policy	在数据中发现差距时应用的策略	可选	skip
format	应用于此聚合的输出值的格式	可选	null

POST /_search
{
   "size": 0,
   "aggs": {
      "my_date_histo": {                  
         "date_histogram": {
            "field": "timestamp",
            "interval": "day"
         },
         "aggs": {
            "the_sum": {
               "sum": {
                  "field": "lemmings"     
               }
            },
            "thirtieth_difference": {
               "serial_diff": {                
                  "buckets_path": "the_sum",
                  "lag" : 30
               }
            }
         }
      }
   }
}

在“timestamp”字段上构建名为“my_date_histo”的date_histogram，间隔为一天
总和度量用于计算字段的总和。这可以是任何度量（总和、最小值、最大值等）
最后，我们指定一个使用“the_sum”度量作为输入的serial_diff聚合。

通过首先在字段上指定直方图或日期直方图来构建序列差异。然后，您可以选择在直方图内添加常规度量，例如和。最后，serial_diff嵌入到直方图中。然后使用buckets_path参数“指向”直方图内的一个同级度量（有关buckets_path语法的描述，请参阅buckets_path语法

Serial Differencing Aggregation​

语法​

Serial Differencing Aggregation

语法