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 Rata-Rata Bergerak Terintegrasi Autoregresif (ARIMA)
Autoregressive Integrated Moving Average (ARIMAPackage 'forecast'
R Archive Network (CRAN).
Bagaimana ARIMA Bekerja
Algoritma ARIMA sangat berguna untuk kumpulan data yang dapat dipetakan ke deret waktu stasioner. Sifat statistik deret waktu stasioner, seperti autokorelasi, tidak bergantung pada waktu. Dataset dengan deret waktu stasioner biasanya berisi kombinasi sinyal dan noise. Sinyal dapat menunjukkan pola osilasi sinusoidal atau memiliki komponen musiman. ARIMA bertindak seperti filter untuk memisahkan sinyal dari noise, dan kemudian mengekstrapolasi sinyal di masa depan untuk membuat prediksi.
ARIMA Hyperparameters dan Tuning
Untuk informasi tentang hiperparameter dan penyetelan ARIMA, lihat dokumentasi Arima
fungsi di Package 'forecast'
Amazon Forecast mengonversi DataFrequency
parameter yang ditentukan dalam CreateDataset operasi ke frequency
parameter fungsi R ts
DataFrequency (tali) | Frekuensi R ts (bilangan bulat) |
---|---|
T | 1 |
M | 12 |
W | 52 |
D | 7 |
H | 24 |
30 menit | 2 |
15 menit | 4 |
10 menit | 6 |
5 menit | 12 |
1 menit | 60 |
Untuk frekuensi kurang dari 24 atau deret waktu pendek, hiperparameter diatur menggunakan auto.arima
fungsi Package 'forecast'
CRAN.
Frekuensi data yang didukung yang tidak ada dalam tabel default ke ts
frekuensi 1.