NPTS-Algorithmus (Non-Parametric Time Series) - 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.

NPTS-Algorithmus (Non-Parametric Time Series)

Der Amazon Forecast NPTS-Algorithmus (Non-Parametric Time Series) ist ein skalierbares, auf Wahrscheinlichkeiten basierendes Basis-Prognose-Tool. Es erstellt Prognosen für die künftige Werteverteilung einer vorgegebenen Zeitreihe durch Erhebung von Stichproben aus vorherigen Beobachtungen. Die Prognosen sind an die beobachteten Werte gebunden. NPTS ist besonders dann hilfreich, wenn die Zeitreihe unterbrochen ist (oder wenige Daten mit vielen Nullen enthält) und stoßweise Daten enthält. Beispiel: Nachfrageprognosen für einzelne Artikel, bei denen die Zeitreihendaten viele niedrige Werte enthalten. Amazon Forecast stellt Varianten von NPTS bereit, die sich in der Stichprobenerhebung bisheriger Beobachtungen voneinander unterscheiden. Sie können die NPTS-Variante über eine Hyperparameter-Einstellung auswählen.

So funktioniert NPTS

Ähnlich wie klassische Prognosemethoden wie ETS (Exponential Smoothing) und ARIMA (Autoregressive Integrated Moving Average) erstellt NPTS Prognosen für jede Zeitreihe einzeln. Die Zeitreihen im Dataset können unterschiedliche Längen haben. Die Zeitpunkte, an denen Beobachtungen verfügbar sind, werden als Schulungsbereich bezeichnet. Die Zeitpunkte, für die eine Prognose erstellt werden soll, werden als Prognosezeitraum bezeichnet.

Amazon Forecast NPTS-Prognostiker haben folgende Varianten: NPTS, saisonabhängiges NPTS, klimatologischer Prognostiker und saisonabhängiger klimatologischer Prognostiker.

NPTS

In dieser Variante werden Prognosen durch Erhebung von Stichproben aus allen Beobachtungen im Schulungszeitraum der Zeitreihen erstellt. Statt einheitliche Stichproben aus allen Beobachtungen zu erheben, werden in dieser Variante jedoch früheren Beobachtungen, abhängig von ihrer Entfernung zum aktuellen Zeitpunkt, für den eine Prognose benötigt wird, unterschiedliche Gewichtungen zugewiesen. Insbesondere nimmt die Gewichtung exponentiell mit zunehmender Entfernung zu den vorherigen Beobachtungen ab. In diesem Fall werden Beobachtungen aus der jüngsten Vergangenheit wesentlich höher gewichtet als Beobachtungen, die weiter zurückliegen. Dabei wird davon ausgegangen, dass die nahe Vergangenheit für die Zukunft relevanter ist als die entfernte Vergangenheit. Wie stark die Gewichtung im Zeitverlauf abnimmt, können Sie mit dem Hyperparameter exp_kernel_weights festlegen.

Wenn Sie diese NPTS-Variante in Amazon Forecast verwenden möchten, legen Sie den Hyperparameter use_seasonal_model auf den Wert False fest und übernehmen Sie alle Standardeinstellungen.

Saisonabhängiges NPTS

Die saisonabhängige NPTS-Variante unterscheidet sich von NPTS nur dadurch, dass für die Stichprobenerhebung nur Beobachtungen aus den vergangenen Saisons genutzt werden. Standardmäßig wird die Saison mithilfe der Granularität der Zeitreihen festgelegt. Bei einer stündlichen Zeitreihe werden für Prognosen für die Stunde t beispielsweise Stichproben aus den Beobachtungen für die Stunde t der vergangenen Tage genommen. Ebenso wie bei NPTS erhalten Beobachtungen für die Stunde t am Vortag eine höhere Gewichtung als Beobachtungen für Stunde t an früheren Tagen. Weitere Informationen zur Bestimmung einer Saisonabhängigkeit basierend auf der Granularität der Zeitreihen finden Sie unter Saisonabhängige Funktionen.

Klimatologischer Prognostiker

Bei der klimatologischen Prognostiker-Variante werden Stichproben aus allen bisherigen Beobachtungen mit einheitlicher Gewichtung erhoben.

Wenn Sie den klimatologischen Prognostiker verwenden möchten, legen Sie den Hyperparameter kernel_type auf uniform und den Hyperparameter use_seasonal_model auf den Wert False fest. Akzeptieren Sie die Standardeinstellungen für alle anderen Hyperparameter.

Saisonabhängiger klimatologischer Prognostiker

Ebenso wie beim saisonabhängigen NPTS werden beim saisonabhängigen klimatologischen Prognostiker Stichproben der Beobachtungen der vergangenen Saisons, jedoch mit einheitlicher Gewichtung erhoben.

Wenn Sie den saisonabhängigen klimatologischen Prognostiker verwenden möchten, legen Sie für den Hyperparameter kernel_type den Wert uniform fest. Akzeptieren Sie alle anderen Standardeinstellungen für die anderen Hyperparameter.

Saisonabhängige Funktionen

Verwenden Sie die in der folgenden Tabelle aufgeführten Funktionen, um zu bestimmen, was für das saisonabhängige NPTS und den saisonabhängigen, klimatologischen Prognostiker zu einer Saison gehört. In der Tabelle sind die abgeleiteten Funktionen für die unterstützten Basiszeithäufigkeiten basierend auf der Granularität aufgeführt. Amazon Forecast enthält diese Funktionszeitreihen, Sie müssen diese daher nicht bereitstellen.

Häufigkeit der Zeitreihe Funktion zur Bestimmung der Saisonabhängigkeit
Minute Minute der Stunde
Stunde Stunde des Tages
Tag Tag der Woche
Woche Tag des Monats
Monat Monat des Jahres

Befolgen Sie bei des Verwendung der Amazon Forecast NPTS-Algorithmus die folgenden bewährten Methoden bei der Vorbereitung der Daten, um optimale Ergebnisse zu erzielen:

  • Da NPTS Prognosen für jede Zeitreihe einzeln erstellt, geben Sie beim Aufrufen des Modells für Prognosen die gesamte Zeitreihe an. Akzeptieren Sie auch den Standardwerte für den Hyperparameter context_length. Dies bewirkt, dass der Algorithmus die gesamte Zeitreihe verwendet.

  • Wenn Sie den Hyperparameter context_length ändern (weil die Schulungsdaten zu lang sind), achten Sie darauf, dass die Zeitreihe lang genug ist und mehrere frühere Saisons abdeckt. Bei einer täglichen Zeitreihe muss dieser Wert beispielsweise mindestens 365 Tage betragen (sofern Sie über diesen Datenumfang verfügen).

NPTS-Hyperparameter

In der folgenden Tabelle werden die Hyperparameter aufgeführt, die Sie im NPTS-Algorithmus verwenden können.

Parametername Beschreibung
context_length Die Anzahl der Zeitpunkte in der Vergangenheit, die im Modell zum Erstellen von Prognosen verwendet werden. Standardmäßig werden alle Zeitpunkte im Schulungsbereich verwendet. Der Wert für diesen Hyperparameter sollte hoch sein und mehrere vergangene Saisons abdecken. Für tägliche Zeitreihen muss dieser Wert beispielsweise mindestens 365 Tage betragen.
Zulässige Werte

Positive Ganzzahlen

Standardwert

Die Länge der Zeitreihe für die Schulung

kernel_type Der Kernel, der zum Festlegen der Gewichtungen bei der Stichprobenerhebung aus vorherigen Beobachtungen verwendet wird
Zulässige Werte

exponential oder uniform

Standardwerte

exponential

exp_kernel_weights

Nur gültig, wenn kernel_type exponential ist.

Der Skalierungsparameter des Kernels. Je größer der gewählte Wert ist, desto schneller (exponentiell) nimmt die Gewichtung der Beobachtungen in der Vergangenheit ab.

Zulässige Werte

Positive Gleitkommazahlen

Standardwert

0.01

use_seasonal_model Gibt an, ob eine saisonabhängige Variante verwendet werden soll.
Zulässige Werte

True oder False

Standardwert

True

use_default_time_features

Nur für die Varianten saisonabhängiges NPTS und saisonabhängiger klimatologischer Prognostiker anwendbar

Gibt an, ob saisonabhängige Funktionen basierend auf der Granularität der Zeitreihe zum Bestimmen der Saisonabhängigkeit verwendet werden sollen.

Zulässige Werte

True oder False

Standardwert

True