Amazon Forecast 不再向新买家开放。Amazon Forecast 的现有客户可以继续照常使用该服务。了解更多
本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
Amazon Forecast 算法
Amazon Forecast 预测器使用算法通过时间序列数据集训练模型。然后，使用经过训练的模型来生成指标和预测。
如果您不确定要使用哪种算法来训练模型，请在创建预测器时选择 AutoML，然后让 Forecast 为您的数据集训练最优模型。或者，您可以手动选择其中一种 Amazon Forecast 算法。
Python 笔记本
有关使用 AutoML 的分步指南，请参阅AutoML 入门指南
内置 Forecast 算法
Amazon Forecast 提供了六种内置算法供您选择。这些算法包括自回归积分滑动平均模型（ARIMA）等常用统计算法，以及 CNN-QR 和 DeepAR+ 等复杂的神经网络算法。
CNN-QR
arn:aws:forecast:::algorithm/CNN-QR
Amazon Forecast CNN-QR，卷积神经网络 — 分位数回归，是一种专有的机器学习算法，使用因果卷积神经网络（CNN）预测时间序列。CNN-QR 最适合处理包含数百个时间序列的大型数据集。它接受项目元数据，并且是唯一接受不包含未来值的相关时间序列数据的 Forecast 算法。
DeepAR+
arn:aws:forecast:::algorithm/Deep_AR_Plus
Amazon Forecast DeepAR+ 是一种专有的机器学习算法，使用循环神经网络 (RNN) 预测时间序列。DeepAR+ 最适合处理包含数百个特征时间序列的大型数据集。该算法接受前瞻性相关时间序列和项目元数据。
Prophet
arn:aws:forecast:::algorithm/Prophet
Prophet 是一种基于加性模型的时间序列预测算法，其中非线性趋势与每年、每周和每日的季节性相吻合。它最适合具有强季节效应的时间序列和多个季节的历史数据。
NPTS
arn:aws:forecast:::algorithm/NPTS
Amazon Forecast 非参数时间序列 (NPTS) 专有算法是可扩展的概率基线预测器。NPTS 在处理稀疏或间歇性时间序列时特别有用。Forecast 提供了四种算法变体：标准 NPTS、季节性 NPTS、气候学预报器和季节性气候学预报器。
ARIMA
arn:aws:forecast:::algorithm/ARIMA
自回归积分滑动平均模型 (ARIMA) 是一种常用的时间序列预测统计算法。该算法对小于 100 个时间序列的简单数据集特别有用。
ETS
arn:aws:forecast:::algorithm/ETS
指数平滑法 (ETS) 是一种常用的时间序列预测统计算法。该算法对小于 100 个时间序列的简单数据集以及具有季节性模式的数据集特别有用。ETS 计算时间序列数据集中所有观察数据的加权平均值作为其预测，权重随时间呈指数递减。
比较 Forecast 算法
使用下表查找最适合您的时间序列数据集的选项。
| 神经网络 | 灵活的局部算法 | 基线算法 | ||||
|---|---|---|---|---|---|---|
| CNN-QR | DeepAR+ | Prophet | NPTS | ARIMA | ETS | |
| 计算密集型训练过程 | 高 | 高 | 中 | 低 | 低 | 低 |
| 接受历史相关时间序列* | ||||||
| 接受前瞻性相关时间序列* | ||||||
| 接受项目元数据（商品颜色、品牌等） | ||||||
| 接受天气指数内置特征化 | ||||||
| 适用于稀疏数据集 | ||||||
| 执行超参数优化（HPO） | ||||||
| 允许覆盖默认的超参数值 | ||||||
*有关相关时间序列的更多信息，请参阅相关时间序列。
