View a markdown version of this page

Dukungan algoritma untuk peramalan deret waktu - Amazon SageMaker AI

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Dukungan algoritma untuk peramalan deret waktu

Autopilot melatih enam algoritma bawaan berikut dengan deret waktu target Anda. Kemudian, menggunakan metode susun ansambel, ia menggabungkan kandidat model ini untuk membuat model peramalan optimal untuk metrik objektif tertentu.

  • Convolutional Neural Network - Quantile Regresi (CNN-QR) - CNN-QR adalah algoritma pembelajaran mesin berpemilik untuk meramalkan deret waktu menggunakan jaringan saraf konvolusional kausal (CNN). CNN-QR bekerja paling baik dengan kumpulan data besar yang berisi ratusan deret waktu.

  • DeePar+ - DeePar+adalah algoritma pembelajaran mesin berpemilik untuk meramalkan deret waktu menggunakan jaringan saraf berulang (RNN). DeePar+bekerja paling baik dengan kumpulan data besar yang berisi ratusan rangkaian waktu fitur.

  • Pro phet - Prophet adalah model deret waktu struktural Bayesian lokal yang populer berdasarkan model aditif di mana tren non-linier sesuai dengan musim tahunan, mingguan, dan harian. Algoritma Autopilot Prophet menggunakan kelas Pro phet dari implementasi Python dari Prophet. Ini bekerja paling baik dengan deret waktu dengan efek musiman yang kuat dan beberapa musim data historis.

  • Non-Parametric Time Series (NPTS) — Algoritma eksklusif NPTS adalah peramal dasar probabilistik yang dapat diskalakan. Ini memprediksi distribusi nilai masa depan dari deret waktu tertentu dengan pengambilan sampel dari pengamatan sebelumnya. NPTS sangat berguna saat bekerja dengan deret waktu yang jarang atau terputus-putus.

  • Autoregressive Integrated Moving Average (ARIMA) — ARIMA adalah algoritma statistik yang umum digunakan untuk peramalan deret waktu. Algoritma menangkap struktur temporal standar (organisasi waktu berpola) dalam dataset input. Ini sangat berguna untuk kumpulan data sederhana dengan deret waktu di bawah 100.

  • Exponential Smoothing (ETS) — 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.