CES
本节说明 CES 算法模型的使用方法。
功能概述
CES：Complex Exponential Smoothing，即复数指数平滑模型。CES 使用复数形式的状态空间方程描述时间序列，可以同时处理水平、趋势和季节性变化。TDgpt 使用自动化的 CES 模型，根据输入时间序列选择合适的模型并预测后续数据。
CES 支持计算预测结果的置信区间范围。
参数
| 参数 | 说明 | 必填项 |
|---|---|---|
| period | 输入时间序列每个周期包含的数据点个数。如果不设置该参数或设置为 0，将使用非季节性模型预测 | 选填 |
| model | CES 模型类型，可选 N、S、P、F 或 Z，默认值为 Z，表示自动选择模型 | 选填 |
N 表示非季节模型，S 表示简单季节模型，P 表示部分季节模型，F 表示完整季节模型，Z 表示由算法自动选择模型。
输入数据只能包含有限数值。非季节性预测至少需要两个输入值；当 period 大于 0 时，输入数据至少需要包含两个完整周期。
示例及结果
针对 i32 列进行数据预测，输入列 i32 每 12 个点是一个周期，使用自动选择的 CES 模型进行预测。
FORECAST(i32, "algo=ces,period=12,model=Z")
完整的调用 SQL 语句如下：
SELECT _frowts, FORECAST(i32, "algo=ces,period=12,model=Z") from foo
{
"rows": rows, // 返回结果的行数
"period": period, // 返回结果的周期性，同输入
"algo": "ces", // 返回结果使用的算法
"mse": mse, // 拟合输入时间序列生成模型的均方误差 (MSE)
"res": res // 列模式的预测结果及置信区间
}
