如何套用 RCF 來產生預測

若要預測固定時間序列中的下一個值，RCF 演算法則會解答「在我們有候選值之後，最有可能完成哪些事情？」的問題。它會使用 RCF 中的單一樹來搜尋最佳候選值。由於每個樹本身即是較弱的預測器，因此會彙總不同樹的候選值。彙總值也可用於產生分位數誤差。此流程會反覆執行 t 次，以預測未來的第 t 個值。

Amazon 中的算法稱 QuickSight 為雙焦。它使用兩條 RCF 來建立 CALibrated BI-FOrest 架構。第一條 RCF 用於篩選出異常，並提供較弱的預測，然後以第二條 RFC 修正。整體而言，此方法提供比如 ETS 等其他廣泛可用之演算法更健全的預測。

Amazon QuickSight 預測演算法中的參數數量遠少於其他廣泛使用的演算法。這可讓該演算法立即發揮功效，無需人工調整更龐大的時間序列資料點。隨著特定時間序列中累積的數據越多，Amazon 中的預測 QuickSight 可以根據數據漂移和模式的變化進行調整。對於顯示趨勢的時間序列而言，會先執行趨勢偵測，以使序列固定。使用趨勢回推固定序列的預測。

由於演算法仰賴有效率的線上演算法 (RCF)，因此可支援「模擬」查詢。在這些之中，部分預測可以修改並視為假設處理，以提供有條件的預測。這是在分析時探索「模擬」情境之能力的起源。