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 预测器使用算法通过时间序列数据集训练模型。然后,使用经过训练的模型来生成指标和预测。

如果您不确定要使用哪种算法来训练模型,请在创建预测器时选择 AutoML,然后让 Forecast 为您的数据集训练最优模型。或者,您可以手动选择其中一种 Amazon Forecast 算法。

Python 笔记本

有关使用 AutoML 的分步指南,请参阅AutoML 入门指南

内置 Forecast 算法

Amazon Forecast 提供了六种内置算法供您选择。这些算法包括自回归积分滑动平均模型(ARIMA)等常用统计算法,以及 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,使用因果卷积神经网络(CNN)预测时间序列。CNN-QR 最适合处理包含数百个时间序列的大型数据集。它接受项目元数据,并且是唯一接受不包含未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,使用循环神经网络 (RNN) 预测时间序列。DeepAR+ 最适合处理包含数百个特征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。

Prophet

arn:aws:forecast:::algorithm/Prophet

Prophet 是一种基于加性模型的时间序列预测算法,其中非线性趋势与每年、每周和每日的季节性相吻合。它最适合具有强季节效应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 提供了四种算法变体:标准 NPTS、季节性 NPTS、气候学预报器和季节性气候学预报器。

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。该算法对小于 100 个时间序列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。该算法对小于 100 个时间序列的简单数据集以及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察数据的加权平均值作为其预测,权重随时间呈指数递减。

比较 Forecast 算法

使用下表查找最适合您的时间序列数据集的选项。

神经网络 灵活的局部算法 基线算法
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*
接受前瞻性相关时间序列*
接受项目元数据(商品颜色、品牌等)
接受天气指数内置特征化
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

*有关相关时间序列的更多信息,请参阅相关时间序列