Amazon Forecast orec

Amazon Forecast 预测变量使用算法使用您的时间序列数据集训练模型。然后使用经过训练的模型生成指标和预测。

如果您不确定使用哪种算法来训练模型，请在创建预测变量时选择 AutoML，然后让 Forecast 为您的数据集训练最优模型。否则，您可以手动选择一种Amazon Forecast 算法。

Pyon 笔记本

有关使用 AutoML 的 step-by-step 指南，请参阅 AutoML 入门。

内置的Forecast

Amazon Forecast 提供六种内置算法供您选择。这些算法包括常用的统计算法，如自回归综合移动平均线 (ARIMA)，到复杂的神经网络算法，如 CNN-QR 和 DeepAR +。

CNN-QR

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

Amazon Forecast CNN-QR，卷积神经网络-分位数回归，是一种专有的机器学习算法，用于使用因果卷积神经网络 (CNN) 预测时间序列。CNN-QR 最适合包含数百个时间序列的大型数据集。它接受项目元数据，并且是唯一接受不带future 值的相关时间序列数据的Forecast 算法。

DeepAR +

arn:aws:forecast:::algorithm/Deep_AR_Plus

Amazon Forecast DeepAR + 是一种专有的机器学习算法，用于使用循环神经网络 (RNN) 预测时间序列。DeepAR + 最适合包含数百个要素时间序列的大型数据集。该算法接受前瞻性相关时间序列和项目元数据。

先知

arn:aws:forecast:::algorithm/Prophet

Prophet是一种基于加法模型的时间序列预测算法，其中非线性趋势与每年、每周和每天的季节性相吻合。它最适合具有强烈季节性影响的时间序列和多个季节的历史数据。

NPTS

arn:aws:forecast:::algorithm/NPTS

Amazon Forecast 非参数时间序列 (NPTS) 专有算法是一种可扩展的概率基线预测器。NPTS 在处理稀疏或间歇性时间序列时特别有用。Forecast 提供四种算法变体：标准 NPTS、季节性 NPTS、气候预报器和季节性气候预报器。

有马

arn:aws:forecast:::algorithm/ARIMA

自回归综合移动平均线 (ARIMA) 是用于时间序列预测的常用统计算法。该算法对时间序列小于 100 的简单数据集特别有用。

ETS

arn:aws:forecast:::algorithm/ETS

指数平滑 (ETS) 是用于时间序列预测的常用统计算法。该算法对时间序列小于 100 的简单数据集和具有季节性模式的数据集特别有用。ETS 计算时间序列数据集中所有观测值的加权平均值作为其预测，权重随时间的推移呈指数递减。

比较Forecast 算法

使用下表为您的时间序列数据集找到最佳选项。

	神经网络		灵活的局部算法	基准算法
	CNN-QR	DeepAR+	Prophet	NPTS	ARIMA	ETS
计算密集型训练过程	高	高	中	低	低	低
接受与历史相关的时间序列*
接受前瞻性相关时间序列*
接受商品元数据（商品颜色、品牌等）
接受天气指数内置功能
适用于稀疏数据集
执行超参数优化 (HPO)
允许重写默认超参数值

*有关相关时间序列的更多信息，请参阅相关时间序列。