기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
Non-Parametric Time Series(NPTS) 알고리즘
Amazon Forecast Non-Parametric Time Series(NPTS) 알고리즘은 확장 가능하고 확률론적인 기준 예측자입니다. 과거 관측치로부터 샘플링하여 주어진 시계열의 미래 가치 분포를 예측합니다. 예측치는 관측된 값으로 제한됩니다. NPTS는 시계열이 간헐적(또는 희박하고 많은 0을 포함)이고 급증할 때 특히 유용합니다. 예를 들어 시계열에 적은 개수가 많은 개별 항목에 대한 수요를 예측합니다. Amazon Forecast는 과거 관측치의 샘플링 방식과 샘플링 방식이 다른 NPTS의 변형을 제공합니다. NPTS 변형을 사용하려면 하이퍼파라미터 설정을 선택합니다.
NPTS 작동 방식
지수 평활(ETS) 및 자동 회귀적 통합 이동 평균(ARIMA)과 같은 고전적 예측 방법과 마찬가지로 NPTS는 각 시계열에 대해 개별적으로 예상을 발생합니다. 데이터 세트의 시계열은 각기 다른 길이를 가질 수 있습니다. 관측이 가능한 시점을 교육 범위라고 하고 예측이 필요한 시간 지점을 예측 범위라고 합니다.
Amazon Forecast NPTS 예측자는 NPTS, 계절 NPTS, 기후학 예측자 및 계절 기후 예측자를 포함합니다.
NPTS
이 변형에서, 예측은 시계열의 교육 범위에서 모든 관측치에서 샘플링함으로써 생성됩니다. 그러나 모든 관측치에서 균일하게 샘플링하는 대신 이 변형은 예측이 필요한 현재 시간 단계에서 얼마나 멀리 떨어져 있는지에 따라 과거의 관측치 각각에 가중치를 지정합니다. 특히 과거 관측치의 거리에 따라 급격하게 감소하는 가중치를 사용합니다. 이런 식으로 최근 과거의 관측치는 먼 과거의 관측치보다 훨씬 더 높은 확률로 샘플링됩니다. 이로써 가까운 과거가 먼 과거보다 미래를 더 잘 나타내는 지표라고 가정합니다. exp_kernel_weights 하이퍼파라미터로 가중치의 감소량을 제어할 수 있습니다.
Amazon Forecast에서 이 NPTS 변형을 사용하려면 use_seasonal_model하이퍼파라미터를 False로 설정하고 다른 모든 기본 설정을 그대로 사용합니다.
계절별 NPTS
계절별 NPTS는 NPTS와 유사하지만 모든 관측치로부터 샘플링하는 대신 과거 계절의 관측치만 사용합니다. 기본적으로 계절은 시계열의 세분 수준에 따라 결정됩니다. 예를 들어, 시간별 시계열의 경우 시간 t동안 예측하기 위해 이 변형은 이전 날짜의 시간 t에 해당하는 관측치를 샘플링합니다. NPTS와 마찬가지로, 전날의 t 시간일 때 관측은 초기의 t 시간일 때 관측보다 더 많은 가중치가 부여됩니다. 시계열의 세부 수준에 따라 계절성을 결정하는 방법에 대한 자세한 내용은 계절 기능 항목을 참조하십시오.
기후 예측자
기후 예측자 변형은 모든 과거 관측치를 일정한 확률로 샘플링합니다.
기후 예측자를 사용하려면 kernel_type하이퍼파라미터를 uniform로 설정하고 use_seasonal_model하이퍼파라미터를 False로 설정합니다. 다른 모든 하이퍼파라미터의 기본 설정을 적용합니다.
계절 기후 예측자
계절별 NPTS와 마찬가지로 계절 기후 예측자는 지난 계절의 관측을 샘플링하지만 일정한 확률로 샘플링합니다.
계절 기후 예측자를 사용하려면 kernel_type 하이퍼파라미터를 uniform로 설정합니다. 다른 모든 하이퍼파라미터에 대한 기타 모든 기본 설정을 적용합니다.
계절 기능
계절별 NPTS와 계절 기후 예측자의 계절에 해당하는 것을 결정하려면 다음 표에 나열된 기능을 사용하십시오. 표에는 세부 수준을 기반으로 지원되는 기본 시간 빈도에 대한 파생 기능이 나열되어 있습니다. Amazon Forecast에는 이러한 기능 시계열이 포함되어 있으므로 제공하지 않아도 됩니다.
| 시계열의 빈도 | 계절성 결정 기능 |
|---|---|
| 분 | minute-of-hour |
| 시간 | hour-of-day |
| 일 | day-of-week |
| 주 | day-of-month |
| 월 | month-of-year |
모범 사례
Amazon Forecast NPTS 알고리즘을 사용할 때 데이터를 준비하고 최적의 결과를 얻으려면 다음과 같은 모범 사례를 고려하십시오.
-
NPTS는 각 시계열에 대한 예측을 개별적으로 생성하기 때문에 예측 모델을 호출할 때 전체 시계열을 제공하십시오. 또한
context_length하이퍼파라미터의 기본값을 적용하십시오. 이로 인해 알고리즘이 전체 시계열을 사용하게 됩니다. -
교육 데이터가 너무 길기 때문에
context_length을 변경하면, 데이터가 충분히 크고 과거의 여러 계절을 다룰 수 있는지 확인하십시오. 예를 들어, 일별 시계열의 경우 이 값은 365일 이상이어야 합니다(데이터 양을 제공하는 경우).
NPTS 하이퍼파라미터
다음 표에는 NPTS 알고리즘에 사용할 수 있는 하이퍼파라미터가 나열되어 있습니다.
| 파라미터 이름 | 설명 |
|---|---|
| context_length | 모델이 예측 생성에 사용하는 과거 시점의 수. 기본적으로 교육 범위의 모든 시점을 사용합니다. 일반적으로 이 하이퍼파라미터의 값은 커야 하며 여러 과거 계절을 포함해야 합니다. 예를 들어, 일별 시계열의 경우 이 값은 365일 이상이어야 합니다.
|
| kernel_type | 과거 관측치의 샘플링에 가중치를 정의하는 데 사용할 커널.
|
| exp_kernel_weights |
커널의 조정 파라미터입니다. 먼 과거의 관측치에 주어진 가중치의 더 빠른(지수) 감소에 대해서는 큰 값을 사용하십시오.
|
| use_seasonal_model | 계절 변형을 사용할지 여부.
|
| use_default_time_features |
계절별 NPTS 및 계절 기후 예측자 변형에 대해서만 유효함 계절성을 결정하기 위해 시계열의 세부 수준에 따라 계절별 기능을 사용할지 여부.
|
