Amazon-Prognosealgorithmen - Amazon Forecast

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Amazon-Prognosealgorithmen

Ein Amazon-Prognose-Prädiktor verwendet einen Algorithmus, um ein Modell mit Ihren Zeitreihen-Datensätzen zu trainieren. Das geschulte Modell wird dann verwendet, um Metriken und Prognosen zu generieren.

Wenn Sie sich nicht sicher sind, welchen Algorithmus Sie zum Trainieren Ihres Modells verwenden sollen, wählen Sie AutoML beim Erstellen eines Prädiktors und lassen Sie Forecast das optimale Modell für Ihre Datensätze trainieren. Andernfalls können Sie einen der Amazon-Prognosealgorithmen manuell auswählen.

Python-Notebooks

Eine schrittweise Anleitung zur Verwendung von AutoML finden Sie unterErste Schritte mit AutoMLaus.

Integrierte Prognosealgorithmen

Amazon Forecast bietet sechs integrierte Algorithmen, aus denen Sie auswählen können. Diese reichen von häufig verwendeten statistischen Algorithmen wie Autoregressive Integrated Moving Average (ARIMA) bis hin zu komplexen neuronalen Netzalgorithmen wie CNN-QR und DeePar+.

CNN-QR

arn:aws:forecast:::algorithm/CNN-QR

Amazon Forecast CNN-QR, Convolutional Neural Network - Quantile Regression, ist ein proprietärer Algorithmus für maschinelles Lernen zur Vorhersage von Zeitreihen mit kausalen Faltungsneuronalen Netzen (CNNs). CNN-QR funktioniert am besten mit großen Datensätzen, die Hunderte von Zeitreihen enthalten. Es akzeptiert Elementmetadaten und ist der einzige Prognosealgorithmus, der verwandte Zeitreihendaten ohne zukünftige Werte akzeptiert.

DeepAR+

arn:aws:forecast:::algorithm/Deep_AR_Plus

Amazon Forecast DeepAR+ ist ein proprietärer Algorithmus für maschinelles Lernen zur Prognose von Zeitreihen mithilfe von rekurrenten (rückkritierten) neuronalen Netzwerken (RNNs). DeePar+ funktioniert am besten mit großen Datensätzen, die Hunderte von Feature-Zeitreihen enthalten. Der Algorithmus akzeptiert zukunftsgerichtete verwandte Zeitreihen- und Elementmetadaten.

Prophet

arn:aws:forecast:::algorithm/Prophet

Prophet ist ein Zeitreihenprognosealgorithmus, der auf einem additiven Modell basiert, bei dem nichtlineare Trends mit der jährlichen, wöchentlichen und täglichen Saisonalität übereinstimmen. Es funktioniert am besten mit Zeitreihen mit starken saisonalen Effekten und mehreren Staffeln historischer Daten.

NPTS

arn:aws:forecast:::algorithm/NPTS

Der von Amazon Forecast NPTS-Algorithmus (Non-Parametric Time Series) ist ein skalierbares, auf Wahrscheinlichkeiten basierendes Basis-Prognose-Time. NPTS ist besonders nützlich, wenn Sie mit spärlichen oder intermittierenden Zeitreihen arbeiten. Die Forecast bietet vier Algorithmusvarianten: Standard-NPTS, Saisonaler NPTS, Klimatologischer Prognostiker und saisonaler klimatologischer Prognostiker.

ARIMA

arn:aws:forecast:::algorithm/ARIMA

Bei Autoregressive Integrated Moving Average (ARIMA) handelt es sich um einen häufig verwendeten Statistikalgorithmus für Zeitreihenprognosen. Der Algorithmus ist besonders nützlich für einfache Datasets mit weniger als 100 Zeitreihen.

ETS

arn:aws:forecast:::algorithm/ETS

Bei Exponential Smoothing (ETS) handelt es sich um einen häufig verwendeten Statistikalgorithmus für Zeitreihenprognosen. Der Algorithmus ist besonders nützlich für einfache Datensätze mit weniger als 100 Zeitreihen und Datensätze mit Saisonalitätsmustern. ETS berechnet einen gewichteten Durchschnitt aller Beobachtungen im Zeitreihen-Dataset als Prognose, wobei die Gewichte im Laufe der Zeit exponentiell sinken.

Vergleichen von Prognosealgorithmen

Verwenden Sie die folgende Tabelle, um die beste Option für Ihre Zeitreihen-Datasets zu finden.

Neuronale Netze Flexible lokale Algorithmen Basisalgorithmen
CNN-QR DeepAR+ Prophet NPTS ARIMA ETS
Rechenintensiver Trainingsprozess Hoch Hoch Medium Niedrig Niedrig Niedrig
Akzeptiert historische verwandte Zeitreihen*
Akzeptiert zukunftsgerichtete verwandte Zeitserien*
Akzeptiert Artikelmetadaten (Produktfarbe, Marke usw.)
Akzeptiert die integrierte Featurisierung des Wetterindex
Geeignet für spärliche Datensätze
Führt Hyperparameteroptimierung durch (HPO)
Ermöglicht das Überschreiben von Standard-Hyperparameterwerten
Geeignet für Was-wenn-Analyse
Geeignet für Cold Start-Szenarien (Prognosen mit wenig bis gar keinen historischen Daten)

*Weitere Informationen zu verwandten Zeitreihen finden Sie unterVerwandte Zeitreihenaus.