自回归积分滑动平均模型 (ARIMA) 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。

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 (ARIMA) 是一种常用的时间序列预测局部统计算法。ARIMA 捕获输入数据集中的标准时间结构(模式化的时间组织)。Amazon Forecast ARIMA 算法调用ARIMA 函数中的Package 'forecast'的综合 R 档案网络 (CRAN)。

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 超参数和调整的信息,请参阅Arima中的函数文档包装 “预测”CRAN.

Amazon Forecast 将DataFrequency中指定的参数CreateDatasetfrequencyR 的参数ts函数使用下表:

DataFrequency(字符串型) R ts 频率(整型)
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 或短时间序列的频率,超参数使用auto.arima的函数Package 'forecast'CRAN. 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所述。

表中不支持的数据频率默认为 ts 频率 1。