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。

非参数时间序列 (NPTS) 算法

Amazon Forecast 非参数时间序列 (NPTS) 算法是可扩展的概率基线预测器。它通过从过去的观察中采样来预测给定时间序列的未来值分布。预测受观察的值的限制。当时间序列是间歇性的（或稀疏的，包含许多 0）和突发的时，NPTS 特别有用。例如，预测时间序列具有许多低计数的单个项目的需求。Amazon Forecast 提供 NPTS 的变体，这些变体在所采样的过去的观察及其采样方式上有所不同。要使用 NPTS 变体，请选择超参数设置。

NPTS 的工作原理

与经典预测方法（如指数平滑法 (ETS) 和自回归积分滑动平均模型 (ARIMA)）类似，NPTS 分别为每个时间序列生成预测。数据集中的时间序列可以具有不同的长度。观察可用的时间点称为训练范围，需要预测的时间点称为预测范围。

Amazon Forecast NPTS 预测程序具有以下变体：NPTS、季节性 NPTS、气候预测程序以及季节性气候预测程序。

NPTS

在该变体中，通过从时间序列的训练范围中的所有观察中采样来生成预测。但是，此变体不是从所有观察中均匀地采样，而是根据与需要预测的当前时间步长的距离，为每个过去的观察分配权重。特别是，它使用的权重根据过去观察的距离呈指数衰减。通过这种方式，来自最近过去的观察结果的采样概率远高于远处过去的观测结果。这就假定，对未来而言，最近的过去比遥远的过去更具指示性。您可以使用 exp_kernel_weights 超参数控制权重的衰减量。

要在 Amazon Forecast 中使用此 NPTS 变体，请将 use_seasonal_model 超参数设置为 False 并接受所有其他默认设置。

季节性 NPTS

季节性 NPTS 变体类似于 NPTS，只不过它不从所有观察中采样，而是仅使用来自过去季节 的观察。默认情况下，季节由时间序列的粒度确定。例如，对于每小时时间序列，要预测小时 t，此变体从对应于前几天的小时 t 的观察中采样。与 NPTS 类似，前一天的小时 t 处的观察获得的权重高于前几天的小时 t 处的观察。有关如何根据时间序列的粒度确定季节性的更多信息，请参阅季节性特征。

气候预测程序

气候预测程序变体以均匀概率对所有过去的观测结果进行采样。

要使用气候预测程序，请将 kernel_type 超参数设置为 uniform，并将 use_seasonal_model 超参数设置为 False。接受所有其他超参数的默认设置。

季节性气候预测程序

与季节性 NPTS 类似，季节性气候预测程序对过去季节的观察进行采样，但以均匀概率对其进行采样。

要使用季节性气候预测程序，请将 kernel_type 超参数设置为 uniform。接受所有其他超参数的所有其他默认设置。

季节性特征

要为季节性 NPTS 和季节性气候预测程序确定季节对应的特征，请使用下表中列出的特征。此表根据粒度列出了支持的基本时间频率的派生特征。Amazon Forecast 包含这些特征时间序列，因此您不必提供它们。

最佳实践

当使用 Amazon Forecast NPTS 算法时，请考虑以下准备数据和实现最佳结果的最佳实践：

NPTS 超参数

下表列出了可在 NPTS 算法中使用的超参数。