Amazon Forecast tidak lagi tersedia untuk pelanggan baru. Pelanggan Amazon Forecast yang ada dapat terus menggunakan layanan seperti biasa. Pelajari lebih lanjut”
Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Algoritma Amazon Forecast
Prediktor Amazon Forecast menggunakan algoritme untuk melatih model dengan kumpulan data deret waktu Anda. Model terlatih kemudian digunakan untuk menghasilkan metrik dan prediksi.
Jika Anda tidak yakin algoritma mana yang akan digunakan untuk melatih model Anda, pilih AutoML saat membuat prediktor dan biarkan Forecast melatih model optimal untuk kumpulan data Anda. Jika tidak, Anda dapat memilih salah satu algoritma Amazon Forecast secara manual.
Notebook Python
Untuk step-by-step panduan tentang menggunakan AutoML, lihat Memulai dengan AutoML
Algoritma Forecast Built-in
Amazon Forecast menyediakan enam algoritma bawaan untuk Anda pilih. Ini berkisar dari algoritma statistik yang umum digunakan seperti Autoregressive Integrated Moving Average (ARIMA), hingga algoritma jaringan saraf yang kompleks seperti CNN-QR dan DeepAR+.
CNN-QR
arn:aws:forecast:::algorithm/CNN-QR
Amazon Forecast CNN-QR, Convolutional Neural Network - Quantile Regression, adalah algoritma pembelajaran mesin eksklusif untuk meramalkan deret waktu menggunakan jaringan saraf konvolusional kausal (). CNNs CNN-QR bekerja paling baik dengan kumpulan data besar yang berisi ratusan deret waktu. Ini menerima metadata item, dan merupakan satu-satunya algoritma Forecast yang menerima data deret waktu terkait tanpa nilai future.
DeepAR+
arn:aws:forecast:::algorithm/Deep_AR_Plus
Amazon Forecast DeepAR+ adalah algoritma pembelajaran mesin eksklusif untuk memperkirakan deret waktu menggunakan jaringan saraf berulang (). RNNs DeepAR+bekerja paling baik dengan kumpulan data besar yang berisi ratusan rangkaian waktu fitur. Algoritma menerima deret waktu dan metadata item terkait berwawasan ke depan.
Nabi
arn:aws:forecast:::algorithm/Prophet
Nabi adalah algoritma peramalan deret waktu berdasarkan model aditif di mana tren non-linier sesuai dengan musim tahunan, mingguan, dan harian. Ini bekerja paling baik dengan deret waktu dengan efek musiman yang kuat dan beberapa musim data historis.
NPT
arn:aws:forecast:::algorithm/NPTS
Algoritma kepemilikan Amazon Forecast Non-Parametric Time Series (NPTS) adalah peramal dasar probabilistik yang dapat diskalakan. NPTS sangat berguna saat bekerja dengan deret waktu yang jarang atau intermiten. Forecast menyediakan empat varian algoritma: Standard NPTS, Seasonal NPTS, Climatological Forecaster, dan Seasonal Climatological Forecaster.
ARIMA
arn:aws:forecast:::algorithm/ARIMA
Autoregressive Integrated Moving Average (ARIMA) adalah algoritma statistik yang umum digunakan untuk peramalan deret waktu. Algoritma ini sangat berguna untuk kumpulan data sederhana dengan deret waktu di bawah 100.
ETS
arn:aws:forecast:::algorithm/ETS
Exponential Smoothing (ETS) adalah algoritma statistik yang umum digunakan untuk peramalan deret waktu. Algoritma ini sangat berguna untuk kumpulan data sederhana dengan deret waktu di bawah 100, dan kumpulan data dengan pola musiman. ETS menghitung rata-rata tertimbang atas semua pengamatan dalam kumpulan data deret waktu sebagai prediksinya, dengan bobot yang menurun secara eksponensial dari waktu ke waktu.
Membandingkan Algoritma Forecast
Gunakan tabel berikut untuk menemukan opsi terbaik untuk kumpulan data deret waktu Anda.
| Jaringan Saraf | Algoritma Lokal Fleksibel | Algoritma Dasar | ||||
|---|---|---|---|---|---|---|
| CNN-QR | DeepAR+ | Nabi | NPTS | ARIMA | ETS | |
| Proses pelatihan intensif komputasi | Tinggi | Tinggi | Sedang | Rendah | Rendah | Rendah |
| Menerima seri waktu terkait sejarah* | ||||||
| Menerima seri waktu terkait berwawasan ke depan* | ||||||
| Menerima metadata item (warna produk, merek, dll) | ||||||
| Menerima fitur bawaan Indeks Cuaca | ||||||
| Cocokkan untuk kumpulan data yang jarang | ||||||
| Melakukan Optimasi Hyperparameter (HPO) | ||||||
| Memungkinkan penggantian nilai hyperparameter default | ||||||
*Untuk informasi lebih lanjut tentang deret waktu terkait, lihat Deret Waktu Terkait.
