Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Supporto di algoritmi per la previsione di serie temporali
Autopilot addestra i seguenti sei algoritmi integrati con le serie temporali target. Quindi, utilizzando un metodo di sovrapposizione, combina questi modelli candidati per creare un modello di previsione ottimale per un determinato parametro oggettivo.
-
Rete neurale convoluzionale - Regressione quantile (CNN-QR) — CNN -QR è un algoritmo di apprendimento automatico proprietario per la previsione di serie temporali utilizzando reti neurali convoluzionali causali (). CNNs CNN-QR funziona al meglio con set di dati di grandi dimensioni contenenti centinaia di serie temporali.
-
DeePar+ — DeePar+ è un algoritmo di apprendimento automatico proprietario per la previsione di serie temporali utilizzando reti neurali ricorrenti (). RNNs Deepar+ funziona al meglio con set di dati di grandi dimensioni contenenti centinaia di serie temporali di funzionalità.
-
Prophet: Prophet
è un popolare modello Bayesiano locale di serie temporali strutturali basato su un modello additivo in cui i trend non lineari sono adattati alla stagionalità annuale, settimanale e giornaliera. L'algoritmo Autopilot Prophet usa la Classe Prophet dell'implementazione Python di Prophet. Funziona al meglio con serie temporali con forti effetti stagionali e diverse stagioni di dati storici. -
Serie temporali non parametriche (NPTS) — L'algoritmo proprietario è un sistema di previsione di base scalabile e probabilistico. NPTS Consente di prevedere l'implementazione di valori futura di una determinata serie temporale eseguendo il campionamento da osservazioni passate. NPTSè particolarmente utile quando si lavora con serie temporali sparse o intermittenti.
-
Autoregressive Integrated Moving Average (ARIMA): ARIMA è un algoritmo statistico comunemente usato per la previsione di serie temporali. L’algoritmo consente di acquisire strutture temporali standard (organizzazioni modellate del tempo) nel set di dati di input. È particolarmente utile per set di dati semplici con meno di 100 serie temporali.
-
Exponential Smoothing (ETS) — ETS è un algoritmo statistico comunemente usato per la previsione di serie temporali. L'algoritmo è particolarmente utile per set di dati semplici con meno di 100 serie temporali e set di dati con modelli di stagionalità. ETScalcola una media ponderata di tutte le osservazioni nel set di dati delle serie temporali come previsione, con pesi che diminuiscono esponenzialmente nel tempo.
