기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
시계열 예측을 위한 알고리즘 지원
Autopilot은 대상 시계열로 다음 6가지 기본 제공 알고리즘을 훈련시킵니다. 그런 다음 스태킹 앙상블 방법을 사용하여 이러한 모델 후보를 결합하여 주어진 목표 지표에 최적의 예측 모델을 생성합니다.
-
컨볼루션 신경망 - 퀀타일 회귀(CNN-QR) – CNN-QR은 인과적 컨볼루션 신경망()을 사용하여 시계열을 예측하기 위한 독점 기계 학습 알고리즘입니다CNNs. CNN-QR은 수백 개의 시계열이 포함된 대규모 데이터 세트에 가장 적합합니다.
-
DeepAR + – DeepAR +는 반복 신경망()을 사용하여 시계열을 예측하기 위한 독점 기계 학습 알고리즘입니다RNNs. DeepAR+는 수백 개의 기능 시계열을 포함하는 대규모 데이터 세트에서 최상으로 작동합니다.
-
Prophet – Prophet
은 비선형 추세가 연간, 주간 및 일별 계절성에 맞는 가법 모델을 기반으로 하는 인기 있는 로컬 베이지안 구조 시계열 모델입니다. Autopilot Prophet 알고리즘은 Prophet의 Python 구현의 Prophet 클래스 를 사용합니다. 계절적 영향이 강하고 여러 시즌의 기록 데이터를 가진 시계열에 가장 적합합니다. -
비파라메트릭 시계열(NPTS) - NPTS 독점 알고리즘은 확장 가능하고 확률적인 기준 예측기입니다. 과거 관측치로부터 샘플링하여 주어진 시계열의 미래 가치 분포를 예측합니다. NPTS 는 희소 또는 간헐적 시계열로 작업할 때 특히 유용합니다.
-
Autoregressive 통합 이동 평균(ARIMA) - 시계열 예측에 일반적으로 사용되는 통계 알고리즘ARIMA입니다. 이 알고리즘은 입력 데이터 세트에서 표준 시간 구조(패턴화된 시간 구조)를 캡처합니다. 시계열이 100개 미만인 간단한 데이터 세트에 특히 유용합니다.
-
지수 평활화(ETS) - 시계열 예측에 일반적으로 사용되는 통계 알고리즘ETS입니다. 이 알고리즘은 시계열이 100개 미만인 단순 데이터 세트와 계절성 패턴이 있는 데이터 세트에 특히 유용합니다. ETS 는 시계열 데이터 세트의 모든 관측치에 대한 가중 평균을 예측으로 계산하며 시간 경과에 따라 가중치가 기하급수적으로 감소합니다.
