Amazon Forecast 算法 - Amazon Forecast

本文属于机器翻译版本。若本译文内容与英语原文存在差异,则一律以英文原文为准。

Amazon Forecast 算法

Amazon Forecast 变量使用算法使用时间序列数据集训练模型。然后,经过训练的模型用于生成指标和预测。

如果您不确定要使用哪种算法来训练模型,请在创建 Forecast 变量时选择 AutoML,然后让预测为数据集训练最佳模型。否则,您可以手动选择 Amazon Forecast 算法之一。

Python 笔记本

有关使用 AutoML 的分步指南,请参阅入 AutoML.

内置 Forecast 算法

Amazon Forecast 提供了六种内置算法供您选择。这些算法范围从常用的统计算法,例如自动回归综合移动平均线 (ARIMA),到 CNN-QR 和 DeEPAR+ 等复杂的神经网络算法。

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 最适用于包含数百个时间序列的大型数据集。它接受项目元数据,是唯一接受没有将来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,用于使用递归神经网络 (RNN) 来预测时间序列。DeepPar+ 最适合包含数百个要素时间序列的大型数据集。该算法接受前瞻性的相关时间序列和项目元数据。

预言家

arn:aws:forecast:::algorithm/Prophet

Prophet 是一种基于加法模型的时间序列预测算法,其中非线性趋势与年度、每周和每日季节性相匹配。它最适合具有强烈季节性影响的时间序列和几个季节的历史数据。

NPTS

arn:aws:forecast:::algorithm/NPTS

Amazon Forecast 非参数时间序列 (NPTS) 专有算法是可扩展的概率基线预测器。在处理稀疏或间歇性时间序列时,NPTS 特别有用。Forecast 提供了四种算法变体:标准 NPTS、季节性 NPTS、气候预报器和季节性气候预报员。

ARIMA

arn:aws:forecast:::algorithm/ARIMA

自回归积分滑动平均模型 (ARIMA) 是一种常用的时间序列预测统计算法。该算法对于时间序列低于 100 的简单数据集特别有用。

ETS

arn:aws:forecast:::algorithm/ETS

指数平滑法 (ETS) 是一种常用的时间序列预测统计算法。该算法对于时间序列低于 100 的简单数据集和季节性模式的数据集尤其有用。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,随着时间的推移,权重指数递减。

比较 Forecast 算法

使用下表查找适用于时间序列数据集的最佳选项。

神经网络 灵活的算法 基准算法
CNN-QR DeepAR+ Prophet NPTS ARIMA ETS
计算密集型训练过程
接受历史相关时间序列 *
接受前瞻性的相关时间序列 *
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)
允许覆盖默认的超参数值
适用于假设分析
适合冷启动场景(几乎没有历史数据或没有历史数据的预测)

* 有关相关时间序列的更多信息,请参阅相关时间序列.