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.
Der Autopilot trainiert die sechs folgenden integrierten Algorithmen anhand Ihrer Zielzeitreihen. Anschließend werden diese Modellkandidaten mithilfe einer Stacking-Ensemble-Methode kombiniert, um ein optimales Prognosemodell für eine bestimmte Zielkennzahl zu erstellen.
-
Convolutional Neural Network — Quantile Regression (CNN-QR) — CNN-QR ist ein proprietärer Algorithmus für maschinelles Lernen zur Prognose von Zeitreihen mithilfe kausaler neuronaler Faltungsnetzwerke (). CNNs CNN-QR funktioniert am besten mit großen Datensätzen, die Hunderte von Zeitreihen enthalten.
-
DeePar+ — DeePar+ ist ein proprietärer Algorithmus für maschinelles Lernen zur Prognose von Zeitreihen mithilfe rekurrenter neuronaler Netze (). RNNs DeepAR+ funktioniert am besten mit großen Datensätzen, die Hunderte von Feature-Zeitreihen enthalten.
-
Prophet – Prophet
ist ein beliebtes lokales strukturelles Zeitreihenmodell nach Bayes, das auf einem additiven Modell basiert, bei dem nichtlineare Trends an die jährliche, wöchentliche und tägliche Saisonalität angepasst werden. Der Prophet-Algorithmus von Autopilot verwendet die Prophet-Klasse der Python-Implementierung von Prophet. Das funktioniert am besten mit Zeitreihen mit starken saisonalen Effekten und historischen Daten aus mehreren Saisonen. -
Non-Parametric Time Series (NPTS) – Der urheberrechtlich geschützte NPTS-Algorithmus ist ein skalierbarer, probabilistischer Baseline-Prognosealgorithmus. Er erstellt Prognosen für die künftige Werteverteilung einer gegebenen Zeitreihe durch Erheben von Stichproben von Beobachtungen aus deer Vergangenheit. NPTS ist besonders nützlich, wenn Sie mit spärlichen oder unterbrochenen Zeitreihen arbeiten.
-
Bei Autoregressive Integrated Moving Average (ARIMA) handelt es sich um einen häufig verwendeten statistischen Algorithmus für Zeitreihenprognosen. ARIMA erfasst temporäre Standardstrukturen (strukturierte zeitliche Organisationen) im Eingabedatensatz. Es ist besonders nützlich für einfache Datensätze mit weniger als 100 Zeitreihen.
-
Beim Exponential Smoothing (ETS) handelt es sich um einen häufig verwendeten statistischen Algorithmus für Zeitreihenprognosen. Der Algorithmus ist besonders nützlich für einfache Datensätze mit weniger als 100 Zeitreihen und für Datensätze mit saisonalen Mustern. Die ETS berechnet als Vorhersage einen gewichteten Durchschnitt über alle Beobachtungen im Zeitreihendatensatz. Dabei nimmt die Gewichtung mit der Zeit exponentiell ab.
