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.
ARIMA-Algorithmus (Autoregressive Integrated Moving Average)
Bei Autoregressive Integrated Moving Average (ARIMAPackage 'forecast'des Comprehensive R Archive Network (CRAN).
So funktioniert ARIMA
Der ARIMA-Algorithmus ist besonders nützlich für Datasets, die stationären Zeitreihen zugeordnet werden können. Die statistischen Eigenschaften von stationären Zeitreihen, wie z. B. Autokorrelationen, sind von der Zeit unabhängig. Datasets mit stationären Zeitreihen enthalten in der Regel eine Kombination aus Signal und Rauschen. Das Signal kann sinusförmige Schwingungen oder eine saisonale Komponente aufweisen. ARIMA agiert wie ein Filter zur Trennung von Signal und Rauschen und extrapoliert das Signal für die Zukunft, um Prognosen zu erstellen.
ARIMA-Hyperparameter und -Tuning
Weitere Informationen zu ARIMA-Hyperparametern und -Tuning finden Sie in der Arima-Funktionsdokumentation im Prognose-Paket
Amazon Forecast wandelt dieDataFrequencyParameter angegeben imCreateDataset-Operation zumfrequencyParameter des Rts
| DataFrequency (Zeichenfolge) | R ts-Frequenz (Ganzzahl) |
|---|---|
| Y | 1 |
| Mio. | 12 |
| W | 52 |
| D | 7 |
| H | 24 |
| 30 Min. | 2 |
| 15 Min. | 4 |
| 10 Min. | 6 |
| 5 Min. | 12 |
| 1 Min. | 60 |
Für Frequenzen mit weniger als 24 oder kurzen Zeitreihen werden die Hyperparameter mit der auto.arima-Funktion der Package 'forecast' von CRAN
Unterstützte Datenfrequenzen, die sich nicht in der Tabelle befinden, werden standardmäßig auf die ts-Häufigkeit 1 eingestellt.
