整合移動平均自回歸模型 (ARIMA) 演算法 - Amazon Forecast
運作方式超參數和調校

Amazon Forecast 不再提供給新客戶。Amazon Forecast 的現有客戶可以繼續正常使用該服務。了解更多」

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

整合移動平均自回歸模型 (ARIMA) 演算法

整合移動自回歸模型 (ARIMA) 是一種常用的本機統計演算法針對時間序列預測。ARIMA 擷取輸入資料集內的標準時間結構 (規律的時間組織)。Amazon Forecast ARIMA 算法調用有馬函數中的Package 'forecast'綜合 R 檔案網絡（CRAN）。

ARIMA 的運作方式

ARIMA 演算法特別適用於可對應到固定時間序列的資料集。固定的時間序列的統計屬性，例如自回歸模型，與時間無關。資料集的固定時間序列通常由信號和雜訊組成。信號有可能呈現正弦振盪模式或具有季節性成分。ARIMA 的作用類似於過濾器，可將信號與雜訊分離，然後推導未來的信號以進行預測。

ARIMA 的超參數和調校

有關 ARIMA 超參數和調整的信息，請參閲Arima函數文檔中的軟件包「預測」的CRAN。

Amazon Forecast 轉換DataFrequency參數中指定的CreateDataset操作添加到frequencyR 的參數ts函數使用下表：

DataFrequency (字串) R ts frequency (整數)
是 1
M 12
W 52
D 7
H 24
30min 2
15min 4
10min 6
5min 12
1min 60

對於小於 24 或短時間序列的頻率，超參數使用auto.arima函數Package 'forecast'的CRAN。對於大於或等於 24 的頻率和長時間序列，我們使用 Fourier 序列與 K = 4，如這裡所述，以長季節期間預測。

不在資料表中的支援資料頻率預設為 1 的 ts 頻率。