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 Seri Waktu Non-Parametrik (NPTS)
Algoritma Amazon Forecast Non-Parametric Time Series (NPTS) adalah peramal baseline probabilistik yang dapat diskalakan. Ini memprediksi distribusi nilai masa depan dari rangkaian waktu tertentu dengan pengambilan sampel dari pengamatan masa lalu. Prediksi dibatasi oleh nilai-nilai yang diamati. NPTS sangat berguna ketika seri waktu intermiten (atau jarang, mengandung banyak 0s) dan bursty. Misalnya, peramalan permintaan untuk masing-masing item di mana seri waktu memiliki banyak jumlah rendah. Amazon Forecast menyediakan varian NPTS yang berbeda dalam pengamatan masa lalu yang diambil sampel dan bagaimana mereka dicicipi. Untuk menggunakan varian NPTS, Anda memilih pengaturan hyperparameter.
Cara Kerja NPTS
Mirip dengan metode peramalan klasik, seperti eksponensial smoothing (ETS) dan autoregressive integrated moving average (ARIMA), NPTS menghasilkan prediksi untuk setiap seri waktu secara individual. Seri waktu di dataset dapat memiliki panjang yang berbeda. Titik waktu di mana pengamatan tersedia disebut rentang pelatihan dan titik waktu di mana prediksi yang diinginkan disebut kisaran prediksi.
Amazon Forecast NPTS peramal memiliki varian berikut: NPTS, NPTS musiman, peramal klimatologis, dan peramal klimatologi musiman.
NPTS
Dalam varian ini, prediksi dihasilkan oleh pengambilan sampel dari semua pengamatan dalam rentang pelatihan dari rangkaian waktu. Namun, alih-alih pengambilan sampel seragam dari semua pengamatan, varian ini memberikan bobot untuk setiap pengamatan masa lalu sesuai dengan seberapa jauh dari langkah waktu saat ini di mana prediksi diperlukan. Secara khusus, ia menggunakan bobot yang membusuk secara eksponensial sesuai dengan jarak pengamatan masa lalu. Dengan cara ini, pengamatan dari masa lalu diambil sampel dengan probabilitas yang jauh lebih tinggi daripada pengamatan dari masa lalu yang jauh. Ini mengasumsikan bahwa masa lalu dekat lebih indikatif untuk masa depan daripada masa lalu yang jauh. Anda dapat mengontrol jumlah pembusukan di bobot denganexp_kernel_weightshiperparameter
Untuk menggunakan varian NPTS ini di Amazon Forecast, aturuse_seasonal_modelhyperparameterFalsedan menerima semua pengaturan default lainnya.
NPTS
Varian NPTS musiman mirip dengan NPTS kecuali bahwa alih-alih pengambilan sampel dari semua pengamatan, hanya menggunakan pengamatan dari masa lalumusim. Secara default, musim ditentukan oleh granularitas rangkaian waktu. Misalnya, untuk seri waktu per jam, untuk memprediksi selama jamt, varian ini sampel dari pengamatan yang sesuai dengan jamtpada hari-hari sebelumnya. Mirip dengan NPTS, observasi pada jamtpada hari sebelumnya diberi bobot lebih dari pengamatan pada jamtpada hari-hari sebelumnya Untuk informasi lebih lanjut tentang cara menentukan musiman berdasarkan granularitas seri waktu, lihatFitur Musiman.
Peramal Klimatologis
Varian peramal klimatologi sampel semua pengamatan masa lalu dengan probabilitas seragam.
Untuk menggunakan peramal klimatologis, aturkernel_typehyperparameteruniformdanuse_seasonal_modelhyperparameterFalse. Menerima pengaturan default untuk semua hyperparameters lainnya.
Peramal Klimatologi Musiman
Mirip dengan NPTS musiman, peramal klimatologi musiman sampel pengamatan dari musim lalu, tetapi sampel mereka dengan probabilitas seragam.
Untuk menggunakan peramal klimatologi musiman, aturkernel_typehyperparameteruniform. Menerima pengaturan default lainnya untuk hyperparameters lainnya.
Fitur Musiman
Untuk menentukan apa yang sesuai dengan musim untuk NPTS musiman dan peramal klimatologi musiman, gunakan fitur yang tercantum dalam tabel berikut. Tabel berisi daftar fitur turunan untuk frekuensi waktu dasar yang didukung, berdasarkan granularitas. Amazon Forecast menyertakan rangkaian waktu fitur ini, sehingga Anda tidak perlu memberikannya.
| Frekuensi Seri Waktu | Fitur untuk Menentukan Musiman |
|---|---|
| Menit | menit-of-jam |
| Jam | jam-of-hari |
| Hari | hari-minggu |
| Minggu | hari-bulan |
| Bulan | bulan-of-tahun |
Praktik Terbaik
Saat menggunakan algoritme NPTS Amazon Forecast, pertimbangkan praktik terbaik berikut untuk menyiapkan data dan mencapai hasil yang optimal:
-
Karena NPTS menghasilkan prediksi untuk setiap seri waktu secara individual, berikan seluruh seri waktu saat memanggil model untuk prediksi. Juga, terima nilai default
context_lengthhiperparameter Hal ini menyebabkan algoritma untuk menggunakan seluruh seri waktu. -
Jika Anda mengubah
context_length(karena data pelatihan terlalu panjang), pastikan itu cukup besar dan mencakup beberapa musim lalu. Misalnya, untuk rangkaian waktu harian, nilai ini harus setidaknya 365 hari (asalkan Anda memiliki jumlah data tersebut).
Hyperparameter NPTS
Tabel berikut mencantumkan hyperparameters yang dapat Anda gunakan dalam algoritma NPTS.
| Nama Parameter | Deskripsi |
|---|---|
| context_length | Jumlah waktu-poin di masa lalu bahwa model menggunakan untuk membuat prediksi. Secara default, ia menggunakan semua poin waktu dalam rentang pelatihan. Biasanya, nilai untuk hyperparameter ini harus besar dan harus mencakup beberapa musim lalu. Misalnya, untuk seri waktu harian nilai ini harus setidaknya 365 hari.
|
| kernel_type | Kernel yang digunakan untuk menentukan bobot yang digunakan untuk pengambilan sampel pengamatan masa lalu.
|
| exp_kernel_weights |
Hanya berlaku bila Parameter penskalaan kernel. Untuk pembusukan yang lebih cepat (eksponensial) pada bobot yang diberikan pada pengamatan di masa lalu, gunakan nilai yang besar.
|
| use_seasonal_model | Apakah akan menggunakan varian musiman.
|
| use_default_time_features |
Hanya berlaku untukNPTSdanperamal klimatologi musimanvarian Apakah akan menggunakan fitur musiman berdasarkan granularitas dari seri waktu untuk menentukan musiman.
|
