Algoritma Rata-Rata Bergerak Terintegrasi Autoregresif (ARIMA) - Amazon Forecast

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 (ARIMA) adalah algoritma statistik lokal yang umum digunakan untuk peramalan deret waktu. ARIMA menangkap struktur temporal standar (organisasi waktu berpola) dalam kumpulan data input. Algoritma Amazon Forecast ARIMA menyebut fungsi Arima di Comprehensive Package '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' dari CRAN.

Amazon Forecast mengonversi DataFrequency parameter yang ditentukan dalam CreateDataset operasi ke frequency parameter fungsi R ts menggunakan tabel berikut:

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. Untuk frekuensi yang lebih besar dari atau sama dengan 24 dan deret waktu yang panjang, kami menggunakan deret Fourier dengan K = 4, seperti yang dijelaskan di sini, Peramalan dengan periode musiman yang panjang.

Frekuensi data yang didukung yang tidak ada dalam tabel default ke ts frekuensi 1.