Algoritmo Autoregressive Integrated Moving Average (ARIMA) - Amazon Forecast

Amazon Forecast ya no está disponible para nuevos clientes. Los clientes actuales de Amazon Forecast pueden seguir utilizando el servicio con normalidad. Más información

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Algoritmo Autoregressive Integrated Moving Average (ARIMA)

Autoregressive Integrated Moving Average (ARIMA) es un algoritmo estadístico local de uso común para la predicción de series temporales. ARIMA captura estructuras temporales estándar (organizaciones con patrones de tiempo) en el conjunto de datos de entrada. El algoritmo ARIMA de Amazon Forecast llama a la función Arima en el Package 'forecast' de Comprehensive R Archive Network (CRAN).

Cómo funciona ARIMA

El algoritmo ARIMA es especialmente útil para conjuntos de datos que pueden ser mapeados a series temporales fijas. Las propiedades estadísticas de las series temporales fijas, como las autocorrelaciones, son independientes del tiempo. Los conjuntos de datos con series temporales fijas suelen contener una combinación de señal y ruido. La señal puede presentar un patrón de oscilación sinusoidal o tener un componente estacional. ARIMA actúa como un filtro para separar la señal del ruido y, a continuación, extrapola la señal en el futuro para realizar predicciones.

Hiperparámetros y ajuste de ARIMA

Para obtener información sobre los hiperparámetros y el ajuste de ARIMA, consulte la documentación de la función Arima en el paquete "forecast" de CRAN.

Amazon Forecast convierte el parámetro DataFrequency especificado en la operación CreateDataset en el parámetro frequency de la función R ts utilizando la siguiente tabla:

Frecuencia de datos (cadena) Frecuencia R ts (entero)
A 1
M 12
S 52
D 7
H 24
30 min 2
15 min 4
10 min 6
5 min 12
1 min 60

Para frecuencias inferiores a 24 o series temporales cortas, los hiperparámetros se establecen con la función auto.arima de la Package 'forecast' de CRAN. Para frecuencias mayores o iguales que 24 y series temporales largas, utilizamos una serie Fourier con K = 4, tal y como se describe aquí, Forecasting with long seasonal periods.

Las frecuencias de datos admitidas que no están en la tabla tienen una frecuencia ts predeterminada de 1.