Amazon Forecast 不再向新买家开放。Amazon Forecast 的现有客户可以继续照常使用该服务。了解更多
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。
自回归积分滑动平均模型 (ARIMA) 算法
自回归积分滑动平均模型 (ARIMAPackage 'forecast'
中调用 Arima 函数
ARIMA 的工作原理
ARIMA 算法对于可以映射到平稳时间序列的数据集特别有用。平稳时间序列的统计特性(例如自相关)与时间无关。具有平稳时间序列的数据集通常包含信号和噪声的组合。信号可能呈现正弦振荡模式或具有季节性成分。ARIMA 就像一个过滤器,将信号从噪声中分离出来,然后对未来的信号进行推断以做出预测。
ARIMA 超参数和优化
有关 ARIMA 超参数和优化的信息,请参阅 CRANArima
函数文档。
Amazon Forecast 通过下表将 CreateDataset 操作中指定的 DataFrequency
参数转换为 R tsfrequency
参数:
DataFrequency(字符串型) | R ts 频率(整型) |
---|---|
是 | 1 |
M | 12 |
W | 52 |
D | 7 |
H | 24 |
30 分钟 | 2 |
15 分钟 | 4 |
10 分钟 | 6 |
5 分钟 | 12 |
1 分钟 | 60 |
对于小于 24 的频率或短时间序列,则使用 CRANPackage 'forecast'
的 auto.arima
函数设置超参数。对于大于等于 24 的频率和长时间序列,我们使用傅立叶级数 K = 4,如此处使用长季节性周期进行预测
表中不支持的数据频率默认为 ts
频率 1。