Amazon Forecast ist für Neukunden nicht mehr verfügbar. Bestehende Kunden von Amazon Forecast können den Service weiterhin wie gewohnt nutzen. Erfahren Sie mehr“
Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Amazon-Forecast-Algorithmen
Ein Amazon Forecast-Prädiktor verwendet einen Algorithmus, um ein Modell mit Ihren Zeitreihendatensätzen zu trainieren. Das trainierte Modell wird dann verwendet, um Metriken und Prognosen zu generieren.
Wenn Sie sich nicht sicher sind, welchen Algorithmus Sie zum Trainieren Ihres Modells verwenden sollen, wählen Sie AutoML, wenn Sie einen Prädiktor erstellen, und lassen Sie Forecast das optimale Modell für Ihre Datensätze trainieren. Andernfalls können Sie manuell einen der Amazon Forecast-Algorithmen auswählen.
Python-Notizbücher
Eine step-by-step Anleitung zur Verwendung von AutoML finden Sie unter Erste Schritte mit AutoML
Integrierte Forecast-Algorithmen
Amazon Forecast bietet sechs integrierte Algorithmen, aus denen Sie wählen können. Diese reichen von häufig verwendeten statistischen Algorithmen wie Autoregressive Integrated Moving Average (ARIMA) bis hin zu komplexen neuronalen Netzwerkalgorithmen wie CNN-QR und DeePar+.
CNN-QR
arn:aws:forecast:::algorithm/CNN-QR
Amazon Forecast CNN-QR, Convolutional Neural Network — Quantile Regression, ist ein proprietärer Algorithmus für maschinelles Lernen zur Prognose von Zeitreihen unter Verwendung kausaler Konvolutional Neural Networks (CNNs). CNN-QR funktioniert am besten mit großen Datensätzen, die Hunderte von Zeitreihen enthalten. Er akzeptiert Elementmetadaten und ist der einzige Prognosealgorithmus, der zugehörige Zeitreihendaten ohne future Werte akzeptiert.
DeepAR +
arn:aws:forecast:::algorithm/Deep_AR_Plus
Amazon Forecast DeePar+ ist ein proprietärer Algorithmus für maschinelles Lernen zur Prognose von Zeitreihen unter Verwendung rekurrenter neuronaler Netzwerke (RNNs). DeePar+ funktioniert am besten mit großen Datensätzen, die Hunderte von Feature-Zeitreihen enthalten. Der Algorithmus akzeptiert zukunftsgerichtete Zeitreihen und Artikelmetadaten.
Prophet
arn:aws:forecast:::algorithm/Prophet
Prophet ist ein Algorithmus zur Vorhersage von Zeitreihen, der auf einem additiven Modell basiert, bei dem nichtlineare Trends an die jährliche, wöchentliche und tägliche Saisonalität angepasst werden. Es funktioniert am besten mit Zeitreihen mit starken saisonalen Effekten und historischen Daten aus mehreren Saisons.
NPTS
arn:aws:forecast:::algorithm/NPTS
Der proprietäre Algorithmus von Amazon Forecast Nonparametric Time Series (NPTS) ist ein skalierbarer, probabilistischer Baseline-Forecaster. NPTS ist besonders nützlich, wenn Sie mit spärlichen oder intermittierenden Zeitreihen arbeiten. Forecast bietet vier Algorithmusvarianten: Standard-NPTS, Seasonal NPTS, Climatological Forecaster und Seasonal Climatological Forecaster.
ARIMA
arn:aws:forecast:::algorithm/ARIMA
Der autoregressive Integrated Moving Average (ARIMA) ist ein häufig verwendeter statistischer Algorithmus für Zeitreihenprognosen. Der Algorithmus ist besonders nützlich für einfache Datensätze mit weniger als 100 Zeitreihen.
ETS
arn:aws:forecast:::algorithm/ETS
Exponentielle Glättung (ETS) ist ein häufig verwendeter statistischer Algorithmus für Zeitreihenprognosen. Der Algorithmus ist besonders nützlich für einfache Datensätze mit weniger als 100 Zeitreihen und Datensätze mit Saisonalitätsmustern. ETS berechnet als Vorhersage einen gewichteten Durchschnitt über alle Beobachtungen im Zeitreihendatensatz, wobei die Gewichte im Laufe der Zeit exponentiell abnehmen.
Vergleich von Forecast-Algorithmen
Verwenden Sie die folgende Tabelle, um die beste Option für Ihre Zeitreihendatensätze zu finden.
| Neuronale Netzwerke | Flexible lokale Algorithmen | IOP-Basisleistung | ||||
|---|---|---|---|---|---|---|
| CNN-QR | DeepAR+ | Prophet | NPTS | ARIMA | ETS | |
| Rechenintensiver Trainingsprozess | Hoch | Hoch | Medium | Niedrig | Niedrig | Niedrig |
| Akzeptiert historische Zeitreihen* | ||||||
| Akzeptiert zukunftsgerichtete Zeitreihen* | ||||||
| Akzeptiert Artikelmetadaten (Produktfarbe, Marke usw.) | ||||||
| Akzeptiert die integrierte Featurisierung des Wetterindex | ||||||
| Geeignet für spärliche Datensätze | ||||||
| Führt Hyperparameter-Optimierung (HPO) durch | ||||||
| Erlaubt das Überschreiben von Standard-Hyperparameterwerten | ||||||
*Weitere Informationen zu verwandten Zeitreihen finden Sie unter Verwandte Zeitreihen.
