RCF 如何应用于生成预测

要预测静止时间序列中的下一个值，RCF 算法回答问题“在我们具有候选值后，最可能实现什么？” 它使用 RCF 中的单个树搜索最佳候选项。将聚合不同树中的候选项，因为每个树本身是弱预测器。聚合还允许生成分位数错误。此过程重复 t 次来预测未来的第 t 个值。

Amazon QuickSight 中的算法称为 BIFOCAL。它使用两个 RCF 创建已校准的双林架构。第一个 RCF 用于筛选出异常并提供弱预测，该预测由第二个 RCF 纠正。总之，此方法提供了比其他广泛可用的算法（如 ETS）显著可靠的预测。

Amazon QuickSight 预测算法中的参数数量远远少于其他广泛可用的算法。这样，它就现成可用，无需人针对大量时间序列数据点进行调整。随着特定时间序列中累积更多数据，Amazon QuickSight 中的预测可以根据数据偏差和模式变化进行调整。对于显示趋势的时间序列，首先执行趋势检测以使序列成为静止的。将使用趋势投影回该静止序列的预测。

由于算法依赖高效的在线算法 (RCF)，它可以支持交互式“假设”查询。在这些中，一些预测可更改并视为假设来提供条件预测。这是在分析过程中探索“假设”场景的能力来源。