自回归积分滑动平均模型 (ARIMA) 算法 - Amazon Forecast
工作方式超参数和优化

Amazon Forecast 已不再向新买家开放。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。

自回归积分滑动平均模型 (ARIMA) 算法

自回归积分滑动平均模型 (ARIMA) 是一种常用的时间序列预测局部统计算法。ARIMA 捕获输入数据集中的标准时间结构（模式化的时间组织）。Amazon Forecast ARIMA 算法在综合 R 档案网络（CRAN）的 Package 'forecast' 中调用 Arima 函数。

ARIMA 的工作原理

ARIMA 算法对于可以映射到平稳时间序列的数据集特别有用。平稳时间序列的统计特性（例如自相关）与时间无关。具有平稳时间序列的数据集通常包含信号和噪声的组合。信号可能呈现正弦振荡模式或具有季节性成分。ARIMA 就像一个过滤器，将信号从噪声中分离出来，然后对未来的信号进行推断以做出预测。

ARIMA 超参数和优化

有关 ARIMA 超参数和优化的信息，请参阅 CRAN 的“预测”包中的 Arima 函数文档。

Amazon Forecast 通过下表将 CreateDataset 操作中指定的 DataFrequency 参数转换为 R ts 函数的 frequency 参数：

DataFrequency（字符串型） R ts 频率（整型）
是 1
M 12
W 52
D 7
H 24
30 分钟 2
15 分钟 4
10 分钟 6
5 分钟 12
1 分钟 60

对于小于 24 的频率或短时间序列，则使用 CRAN 的 Package 'forecast' 的 auto.arima 函数设置超参数。对于大于等于 24 的频率和长时间序列，我们使用傅立叶级数 K = 4，如此处使用长季节性周期进行预测所述。

表中不支持的数据频率默认为 ts 频率 1。