Bagaimana RCF diterapkan untuk menghasilkan prakiraan

Untuk memperkirakan nilai berikutnya dalam urutan waktu stasioner, RCF algoritme menjawab pertanyaan “Apa yang akan menjadi penyelesaian yang paling mungkin, setelah kita memiliki nilai kandidat?” Ini menggunakan satu pohon RCF untuk melakukan pencarian kandidat terbaik. Kandidat di berbagai pohon dikumpulkan, karena setiap pohon dengan sendirinya merupakan prediktor yang lemah. Agregasi juga memungkinkan pembuatan kesalahan kuantil. Proses ini diulang t kali untuk memprediksi nilai t −th di masa depan.

Algoritma di Amazon QuickSight disebut BIFOCAL. Ini menggunakan dua RCFs untuk membuat FOrest arsitektur CALibrated BI. Yang pertama RCF digunakan untuk menyaring anomali dan memberikan perkiraan yang lemah, yang dikoreksi oleh yang kedua. Secara keseluruhan, pendekatan ini memberikan perkiraan yang jauh lebih kuat dibandingkan dengan algoritme lain yang tersedia secara luas sepertiETS.

Jumlah parameter dalam algoritma QuickSight peramalan Amazon secara signifikan lebih sedikit daripada algoritma lain yang tersedia secara luas. Ini memungkinkannya berguna di luar kotak, tanpa penyesuaian manusia untuk sejumlah besar titik data deret waktu. Karena semakin banyak data yang terakumulasi dalam deret waktu tertentu, perkiraan di Amazon QuickSight dapat menyesuaikan dengan penyimpangan data dan perubahan pola. Untuk deret waktu yang menunjukkan tren, deteksi tren dilakukan terlebih dahulu untuk membuat seri stasioner. Perkiraan urutan stasioner itu diproyeksikan kembali dengan tren.

Karena algoritme bergantung pada algoritma online yang efisien (RCF), ia dapat mendukung kueri “bagaimana-jika” interaktif. Dalam hal ini, beberapa prakiraan dapat diubah dan diperlakukan sebagai hipotetis untuk memberikan perkiraan bersyarat. Ini adalah asal dari kemampuan untuk mengeksplorasi skenario “bagaimana-jika” selama analisis.