Algoritma Rata-rata Bergerak Terpadu Autoregressive (ARIMA)

Rata-rata Pergerakan Terpadu Autoregressive (ARIMA) adalah algoritma statistik lokal yang umum digunakan untuk peramalan waktu-series. ARIMA menangkap struktur temporal standar (organisasi berpola waktu) dalam dataset input. Algoritma Amazon Forecast ARIMA memanggilFungsi Arimadi dalamPackage 'forecast'dari Comprehensive R Archive Network (CRAN).

Cara Kerjanya

Algoritma ARIMA sangat berguna untuk dataset yang dapat dipetakan ke seri waktu stasioner. Sifat statistik dari seri waktu stasioner, seperti autocorrelations, tidak bergantung pada waktu. Set data dengan seri waktu stasioner biasanya berisi kombinasi sinyal dan kebisingan. Sinyal mungkin menunjukkan pola osilasi sinusoidal atau memiliki komponen musiman. ARIMA bertindak seperti filter untuk memisahkan sinyal dari kebisingan, dan kemudian ekstrapolasi sinyal di masa depan untuk membuat prediksi.

ARIMA Hyperparameters dan Tuning

Untuk informasi tentang ARIMA hyperparameters dan tuning, lihatArimadokumentasi fungsi diPaket 'perkiraan'dariCRAN.

Amazon ForecastDataFrequencyparameter yang ditentukan dalamCreateDatasetoperasi kefrequencyparameter RTSFungsi menggunakan tabel berikut:

DataFrequency (string)	R ts frekuensi (integer)
Y	1
M	12
W	52
D	7
H	24
30 menit	2
15 menit	4
10 menit	6
5 menit	12
1 menit	60

Untuk frekuensi kurang dari 24 atau seri waktu singkat, hyperparameters diatur menggunakanauto.arimafungsiPackage 'forecast'dariCRAN. Untuk frekuensi yang lebih besar dari atau sama dengan 24 dan seri lama, kami menggunakan seri Fourier dengan K = 4, seperti yang dijelaskan di sini,Peramalan dengan periode musiman yang panjang.

Frekuensi data yang didukung yang tidak dalam tabel default ke atsfrekuensi 1.