Amazon Forecast アルゴリズムを選択する - 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 アルゴリズムを選択する

予測子は、アルゴリズムを使用して、時系列データセットでモデルをトレーニングします。Amazon Forecastその後、トレーニング済みモデルは、メトリクスと予測を生成するために使用されます。

モデルのトレーニングに使用するアルゴリズムが不明な場合は、予測子を作成するときに [AutoML] を選択し、Forecast でデータセットに最適なアルゴリズムを選択します。それ以外の場合は、組み込みアルゴリズムのいずれかを手動で選択できます。

組み込み予測アルゴリズム

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、自己回帰和分移動平均 (ARIMA) などの一般的に使用される統計的アルゴリズムから、CNN-QR や DeepAR+ などの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 - Quantile Regression は、因数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、数百の時系列を含む大規模なデータセットで最も効果的に機能します。項目メタデータを受け入れ、関連する時系列データを将来の値なしで受け入れる唯一の 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、何百もの特徴の時系列を含む大規模なデータセットで最も効果的に機能します。このアルゴリズムは、前方線の関連時系列および項目メタデータを受け入れます。

Prophet

arn:aws:forecast:::algorithm/Prophet

Prophet は、非線形トレンドが年、週、日次の季節性に適合している加算モデルに基づく時系列予測アルゴリズムです。これは、強い季節的な効果がある時系列や、履歴データの季節性で最適です。

NPTS

arn:aws:forecast:::algorithm/NPTS

Amazon Forecast ノンパラメトリック時系列 (NPTS) 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、スパースまたは断続的な時系列を処理するときに特に便利です。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、季節性 NPTS、気候学的予測機能、および季節性気候学的予測機能。

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、100 未満の時系列を持つ単純なデータセットと、季節性パターンを持つデータセットに特に役立ちます。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ます。この際、指数関数的に重みが時間とともに減少します。

予測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
計算集約型のトレーニングプロセス ミディアム
履歴の関連する時系列を受け入れます*
前方からの関連時系列を受け入れます*
項目メタデータ (製品色、ブランドなど) を受け入れます。
気象インデックスの組み込みの機能を受け入れる
スパースなデータセットに適しています。
ハイパーパラメータ最適化 (HPO) を実行する
デフォルトのハイパーパラメータ値の上書きを許可します
what-if 分析に適しています
Cold Start 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。

*関連する時系列の詳細については、「関連する時系列」を参照してください。