Amazon Forecast アルゴリズム - Amazon Forecast

翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

Amazon Forecast アルゴリズム

Amazon Forecast 予測変数は、アルゴリズムを使用して、時系列データセットを使用してモデルを学習させます。トレーニング済みのモデルは、メトリクスと予測の生成に使用されます。

モデルの学習に使用するアルゴリズムが不明な場合は、予測子の作成時に AutoML を選択し、Forecast でデータセットに最適なモデルを学習させます。それ以外の場合は、Amazon Forecast アルゴリズムの 1 つを手動で選択できます。

Pythonノートブック

AutoML の使用手順については、「」を参照してください。AutoML の使用開始

組み込みForecast アルゴリズム

Amazon Forecast には、6 つの組み込みアルゴリズムが用意されています。これらは、自己回帰統合移動平均(ARIMA)のような一般的に使用される統計アルゴリズムから、CNN-QRやDeepar+のような複雑なニューラルネットワークアルゴリズムまで多岐にわたります。

CNN-QR

arn:aws:forecast:::algorithm/CNN-QR

Amazon Forecast CNN-QR、畳み込みニューラルネットワーク-分位回帰は、因果畳み込みニューラルネットワーク (CNN) を使用して時系列を予測するための独自の機械学習アルゴリズムです。CNN-QR は、何百もの時系列を含む大規模なデータセットで最適に機能します。アイテムメタデータを受け入れ、将来の値なしで関連する時系列データを受け入れる唯一のForecast アルゴリズムです。

DeepAR+

arn:aws:forecast:::algorithm/Deep_AR_Plus

Amazon Forecast DeepAR+ は、再帰型ニューラルネットワーク (RNN) を使用して時系列を予測するための、独自の機械学習アルゴリズムです。Deepar+ は、数百のフィーチャ時系列を含む大規模なデータセットで最適に機能します。このアルゴリズムは、将来の関連時系列およびアイテムのメタデータを受け入れます。

預言者

arn:aws:forecast:::algorithm/Prophet

Prophet は、非線形傾向が年、週次、および日常の季節性に適合する加法モデルに基づく時系列予測アルゴリズムです。これは、強い季節効果と数シーズンの履歴データを持つ時系列で最も効果的です。

NPT

arn:aws:forecast:::algorithm/NPTS

Amazon Forecast ノンパラメトリック時系列 (NPTS) の独自のアルゴリズムは、スケーラブルで確率的なベースライン予測機能です。NPTS は、スパース時系列または断続的な時系列を扱う場合に特に便利です。Forecast には 4 つのアルゴリズムバリアントが用意されています。標準NPTS、季節NPTS、気候予報士、季節気候予報士。

ARIMA

arn:aws:forecast:::algorithm/ARIMA

自己回帰和分移動平均 (ARIMA) は、時系列予測に一般的に使用される統計アルゴリズムです。このアルゴリズムは、100 未満の時系列を持つ単純なデータセットに特に役立ちます。

ETS

arn:aws:forecast:::algorithm/ETS

指数平滑法 (ETS) は、時系列予測に一般的に使用される統計アルゴリズムです。このアルゴリズムは、時系列が 100 未満の単純なデータセットや、季節性パターンを持つデータセットに特に便利です。ETS は、時系列データセット内のすべての観測値の加重平均を予測として計算し、時間の経過とともに指数的に重み付けします。

Forecast アルゴリズムの比較

次の表を使用して、時系列データセットに最適なオプションを見つけます。

ニューラルネットワーク 柔軟なローカルアルゴリズム ベースラインアルゴリズム
CNN-QR DeepAR+ Prophet NPTS ARIMA ETS
計算負荷の高いトレーニングプロセス ミディアム
過去の関連する時系列を受け入れる*
将来を見据えた関連時系列を受け入れます*
商品メタデータ (製品の色、ブランドなど) を受け入れます。
Weather Index 組み込みの機能を受け入れる
スパースデータセットに適しています
ハイパーパラメーター最適化 (HPO) を実行します。
デフォルトのハイパーパラメータ値をオーバーライドできます
What-if 分析に適しています
コールドスタートのシナリオ(履歴データがほとんどまたはまったくない予測)に適しています。

※関連する時系列については、関連する時系列