Amazon Forecast Forecast

Amazon 預測預測值使用演算法來訓練模型與您的時間序列資料集。接著會使用訓練過的模型來產生指標和預測。

如果您不確定要使用哪種演算法來訓練模型，請在建立 Forecast 值時選擇 AutoML，然後讓預測訓練資料集的最佳模型。否則，您可以手動選取其中一個 Amazon Forecast 演算法。

蟒蛇筆記本

如需有關使用 AutoML 的 step-by-step 指南，請參閱 AutoML 入門。

內建 Forecast 演算法

Amazon Forecast 提供六種內建演算法供您選擇。這些範圍從常用的統計算法，如自動回歸集成移動平均線（ARIMA），到複雜的神經網絡算法，如 CNN-QR 和 DeepAR +。

CNN-二维码

arn:aws:forecast:::algorithm/CNN-QR

Amazon Forecast CNN-QR，卷積神經網路-分位數迴歸，是一種專有的機器學習演算法，可使用因果卷積神經網路 (CNN) 預測時間序列。CNN-QR 最適用於包含數百個時間序列的大型資料集。它接受項目元數據，並且是唯一接受沒有 future 值的相關時間序列數據的 Forecast 算法。

DeepAR 度研究

arn:aws:forecast:::algorithm/Deep_AR_Plus

Amazon Forecast DeepAr+ 是一種專有的機器學習演算法，可使用遞迴神經網路 (RNN) 預測時間序列。DeepAR A+ 最適合搭配包含數百個功能時間序列的大型資料集。該算法接受前瞻性相關的時間序列和項目元數據。

先知

arn:aws:forecast:::algorithm/Prophet

Prophtor 是一種基於添加模型的時間序列預測算法，其中非線性趨勢適合每年，每週和每日季節性。它最適合具有強大的季節效果和幾個季節的歷史數據的時間序列。

新分局

arn:aws:forecast:::algorithm/NPTS

Amazon Forecast 非參數時間序列 (NPTS) 專有演算法是可擴展的概率基準線預測器。使用稀疏或間歇時間序列時，NPTS 特別有用。Forecast 提供了四種算法變體：標準 NPTS，季節性 NPTS，氣候預測者和季節性氣候預測器。

有馬

arn:aws:forecast:::algorithm/ARIMA

自回歸綜合移動平均線 (ARIMA) 是一種常用的時間序列預測統計算法。該算法對於 100 時間序列以下的簡單數據集特別有用。

ETS

arn:aws:forecast:::algorithm/ETS

指數平滑 (ETS) 是時間序列預測常用的統計演算法。該算法對於具有 100 個時間序列以下的簡單數據集以及具有季節性模式的數據集特別有用。ETS 會計算時間序列資料集中所有觀測值的加權平均值作為其預測，隨著時間的推移而呈指數遞減的權重。

比較 Forecast 演算法

使用下表為您的時間序列資料集尋找最佳選項。

	神經網路		彈性本機演算法	基準演算法
	CNN 二维	DeepAR+	Prophet	NPTS	ARIMA	ETS
運算密集型訓練程序	高	高	中型	低	低	低
接受歷史相關的時間序列 *
接受前瞻性的相關時間序列 *
接受項目元數據（產品顏色，品牌等）
接受天氣指數內建的特徵
適用於稀疏資料集
執行超參數最佳化 (HPO)
允許覆寫預設超參數值

* 如需相關時間序列的詳細資訊，請參閱相關時間序列。