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 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。