RCF가 예상 생성에 적용되는 방법

고정된 시간 순서에서 다음 값을 예상하기 위해 RCF 알고리즘은 '후보 값을 얻은 후 가장 가능성 있는 완료는 무엇입니까?'라는 질문에 응답합니다. 이 알고리즘은 RCF에서 단일 트리를 사용하여 최상의 후보를 검색합니다. 각 트리 자체가 약한 예측기이기 때문에 서로 다른 트리의 후보가 집계됩니다. 또한 집계를 통해 분위 오류를 생성할 수 있습니다. 이 프로세스는 t번 반복되어 미래에 t번째 값을 예측합니다.

아마존의 알고리즘을 QuickSight 바이포칼이라고 합니다. 두 개의 RCF를 사용하여 CALIBrated BI-FOrest 아키텍처를 생성합니다. 첫 번째 RCF는 이상을 필터링하고 약한 예상을 제공하는 데 사용되며 초 기준으로 수정됩니다. 전반적으로 이 접근법은 ETS와 같이 널리 사용되는 다른 알고리즘과 비교하여 훨씬 더 견고한 예상을 제공합니다.

Amazon QuickSight 예측 알고리즘의 매개변수 수는 널리 사용되는 다른 알고리즘에 비해 훨씬 적습니다. 따라서 더 많은 수의 시계열 데이터 포인트에 대해 사람이 조정하지 않아도 즉시 사용할 수 있습니다. 특정 시계열에 더 많은 데이터가 누적되면 Amazon의 예측은 데이터 드리프트 및 패턴 변화에 따라 QuickSight 조정될 수 있습니다. 추세를 보여주는 시계열의 경우 추세 감지가 먼저 수행되어 시계열이 고정되도록 합니다. 고정 시퀀스의 예상은 추세와 함께 다시 추정됩니다.

알고리즘은 효율적인 온라인 알고리즘(RCF)에 의존하기 때문에 대화형 '가정' 쿼리를 지원할 수 있습니다. 이 중 일부 예상은 조건 예상을 제공하기 위해 가상으로 변경되고 처리될 수 있습니다. 이것은 분석 중 “가정” 시나리오를 탐색할 수 있는 오리진입니다.