As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Suporte a algoritmos para previsão de séries temporais
O Autopilot treina os seis algoritmos integrados a seguir com sua série temporal alvo. Em seguida, usando um método de conjunto de empilhamento, ele combina esses candidatos a modelos para criar um modelo de previsão ideal para uma determinada métrica objetiva.
-
Rede Neural Convolucional - Regressão Quantílica (CNN-QR) - CNN -QR é um algoritmo de aprendizado de máquina proprietário para prever séries temporais usando redes neurais convolucionais causais (). CNNs CNN-QR funciona melhor com grandes conjuntos de dados contendo centenas de séries temporais.
-
DeepAr+ — O DeepAr+ é um algoritmo de aprendizado de máquina proprietário para prever séries temporais usando redes neurais recorrentes (). RNNs O DeepAR+ funciona melhor com grandes conjuntos de dados contendo centenas de séries temporais de atributos.
-
Prophet – Prophet
é um popular modelo local de séries temporais estruturais bayesianas baseado em um modelo aditivo em que as tendências não lineares se ajustam à sazonalidade anual, semanal e diária. O algoritmo Prophet do Autopilot usa a classe Prophet da implementação do Python de Prophet. Funciona melhor com séries temporais com fortes efeitos sazonais e várias temporadas de dados históricos. -
Séries temporais não paramétricas (NPTS) — O algoritmo NPTS proprietário é um indicador de linha de base probabilístico e escalável. Ele prevê a distribuição de um valor futuro de uma determinada série temporal por amostragem de observações passadas. NPTSé especialmente útil ao trabalhar com séries temporais esparsas ou intermitentes.
-
Média móvel integrada autorregressiva (ARIMA) — ARIMA é um algoritmo estatístico comumente usado para previsão de séries temporais. O algoritmo captura várias estruturas temporais padrão (organizações com padrão de tempo) no conjunto de dados de entrada. É especialmente útil para conjuntos de dados simples com menos de 100 séries temporais.
-
Suavização exponencial (ETS) — ETS é um algoritmo estatístico comumente usado para previsão de séries temporais. O algoritmo é especialmente útil para conjuntos de dados simples com menos de 100 séries temporais e conjuntos de dados com padrões de sazonalidade. ETScalcula uma média ponderada de todas as observações no conjunto de dados da série temporal como sua previsão, com pesos exponencialmente decrescentes ao longo do tempo.
