Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Algorithme de séries chronologiques non paramétriques (NPTS)
L’algorithme de séries chronologiques non paramétriques (NTPS) Amazon Forecast est une recette de prévision évolutive de base probabiliste. Elle prévoie la distribution de valeurs futures d'une série chronologique basée sur l'échantillonnage d'observations passées. Les prévisions sont délimitées par les valeurs observées. NPTS est particulièrement utile lorsque la série chronologique est intermittente (ou éparse, contenant beaucoup de 0) et sporadique. Par exemple, la demande prévisionnelle pour des éléments individuels où la série chronologique a des comptes très bas. Amazon Forecast fournit des variantes de NPTS qui diffèrent de celles des observations passées échantillonnées et de la façon dont elles le sont. Pour utiliser une variante NPTS, vous choisissez de définir un hyperparamètre.
Fonctionnement de NPTS
A l'instar des méthodes de prévisions classiques, telles que le lissage exponentiel (FTS) et la moyenne mobile intégrée autorégressive (ARIMA), NPTS génère des prévisions pour chaque série chronologique individuellement. Les séries chronologiques de l'ensemble de données peuvent avoir des longueurs différentes. Les points temps où les observations sont disponibles sont appelés la plage de formation et les points temps où la prévision est souhaitée sont appelés la plage de prévision.
Les prévisionnistes Amazon Forecast NPTS présentent les variantes suivantes : NPT, NPT saisonnier, préditeur climatologique, et préditeur climatologique par saison.
Rubriques
NPTS
Dans cette variante, les prévisions sont générées par l'échantillonnage de toutes les observations dans la plage de formation des séries chronologiques. Cependant, au lieu d'un échantillonnage uniforme de toutes les observations, cette variante attribue une pondération à chacune des observations passées en fonction du moment où la prévision est nécessaire. En particulier, elle utilise des pondérations avec réduction exponentielle en fonction de l'éloignement des observations passées. De cette manière, les observations d'un passé récent sont échantillonnées avec une probabilité beaucoup plus élevée que les observations d'un passé plus éloigné. Cela suppose que le passé proche est plus révélateur pour l'avenir qu'un passé éloigné. Vous pouvez contrôler les valeurs de décalage dans la pondération avec l'hyperparamètre exp_kernel_weights.
Pour utiliser cette variante NPTS dans Amazon Forecast, définissez l'hyper-paramètre use_seasonal_model pour False et acceptez tous les autres paramètres par défaut.
NPTS saisonnier
La variante NPTS saisonnière est similaire à NTPS à l'exception du fait qu'au lieu d'échantillonner toutes les observations, elle n'utilise que les observations des saisons passées. Par défaut, la saison est déterminée par la granularité des séries chronologiques. Par exemple, concernant une série chronologique à l'heure, pour faire des prévisions à l'heure t, cette variante échantillone les observations correspondant à l'heure t des jours précédents. Semblable à NPTS, les observations à l'heure t du jour précédent ont plus de poids que les observations à l'heure t des jours bien antérieurs. Pour plus d'informations sur la façon de déterminer les variations saisonnières en fonction de la granularité de la série chronologique, consultez Fonctions saisonnières.
Prédicteur climatologique
La variante du prédicteur climatologique échantillonne toutes les observations passées avec une probabilité uniforme.
Pour utiliser le prédicteur climatologique, définissez l'hyperparamètre kernel_typesur uniform et l'hyperparamètre use_seasonal_model sur False. Acceptez les paramètres par défaut pour tous les autres hyperparamètres.
Prédicteur climatologique saisonnier
Semblable au NPTS saisonnier, le prédicteur climatologique saisonnier échantillonne les observations des saisons passées avec une probabilité uniforme.
Pour utiliser le prédicteur climatologique saisonnier, définissez l'hyperparamètre kernel_type sur uniform. Acceptez toutes les valeurs par défaut pour tous les autres hyperparamètres.
Fonctions saisonnières
Pour déterminer ce qui correspond à une saison pour le NTPS saisonnier et pour le prédicteur climatologique saisonnier, utilisez les fonctions répertoriées dans le tableau suivant. Le tableau suivant répertorie les fonctions dérivées pour les fréquences de temps prises en charge, basées sur la granularité. Amazon Forecast inclut ces séries chronologiques de fonctions ; vous n'avez donc pas à les fournir.
| Fréquence des séries chronologiques | Fonction pour déterminer la saisonnalité |
|---|---|
| Minute | Minute de l'heure |
| Heure | Heure de la journée |
| jour | Jour de la semaine |
| semaine | Jour du mois |
| mois | mois de l'année |
Bonnes pratiques
Lorsque vous utilisez les algorithmes NPTS Amazon Forecast, suivez les bonnes pratiques suivantes pour préparer les données et obtenir des résultats optimaux :
-
Comme NPTS génère des prévisions pour chaque séries chronologiques individuellement, fournissez les séries chronologiques complètes pour appeler le modèle de prévisions. De plus, acceptez la valeur par défaut des hyperparamètres
context_length. Cela conduit l'algorithme à utiliser l'ensemble de la série chronologique. -
Si vous modifiez le
context_length(parce que les données de formation sont trop longues), assurez-vous qu'il est suffisamment grand et couvre plusieurs saisons passées. Par exemple, pour une série chronologique à la journée, cette valeur doit être au moins de 365 jours (sous réserve que vous ayez cette quantité de données).
Hyperparamètres NPTS
Le tableau suivant répertorie les hyperparamètres que vous pouvez utiliser dans l’algorithme NPTS.
| Nom du paramètre | Description |
|---|---|
| context_length | Le nombre de points temporels sur le passé utilisés par le modèle pour faire les prévisions. Par défaut, elle utilise toutes les points temporels de la plage de formation. En général, la valeur de cet hyperparamètre doit être grande et doit couvrir plusieurs saisons passées. Par exemple, pour la série chronologique à la journée, cette valeur doit être au moins de 365 jours.
|
| kernel_type | Le noyau à utiliser pour définir les pondérations utilisées pour l'échantillonnage sur les observations passées.
|
| exp_kernel_weights |
Valide uniquement lorsque Paramètre de mise à l'échelle du noyau. Pour un décalage (exponentielle) plus rapide (exponentielle) dans la pondération des observations d'un passé plus éloigné, utilisez une grande valeur.
|
| use_seasonal_model | S'il convient d'utiliser une variante saisonnière.
|
| use_default_time_features |
Valide uniquement pour les NTPS saisonniers et les variantes de prédicteur climatologique saisonnier. S'il faut utiliser les fonctions de saison en fonction de la granularité de la série chronologique pour déterminer la saisonnalité.
|
