Amazon Forecast 不再提供給新客戶。Amazon Forecast 的現有客戶可以繼續正常使用服務。進一步了解"
本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
Amazon Forecast 演算法
Amazon Forecast 預測器使用演算法來訓練具有時間序列資料集的模型。然後，訓練的模型會用來產生指標和預測。
如果您不確定要使用哪種演算法來訓練模型，請在建立預測器時選擇 AutoML，並讓預測人員訓練資料集的最佳模型。否則，您可以手動選取其中一個 Amazon Forecast 演算法。
Python 筆記本
如需使用 AutoML step-by-step指南，請參閱 AutoML 入門
內建預測演算法
Amazon Forecast 提供六個內建演算法供您選擇。這些範圍包括常用的統計演算法，例如 Autoregressive Integrated Moving Average (ARIMA)，以及複雜的神經網路演算法，例如 CNN-QR 和 DeepAR+。
CNN-QR
arn:aws:forecast:::algorithm/CNN-QR
Amazon Forecast CNN-QR，卷積神經網路 - 量化迴歸，是一種專有的機器學習演算法，用於使用因果卷積神經網路 (CNNs) 預測時間序列。CNN-QR 最適合包含數百個時間序列的大型資料集。它接受項目中繼資料，並且是唯一接受相關時間序列資料的預測演算法，而沒有未來的值。
DeepAR+
arn:aws:forecast:::algorithm/Deep_AR_Plus
Amazon Forecast DeepAR+ 是一種專有的機器學習演算法，用於使用遞歸神經網路 (RNNs) 預測時間序列。DeepAR+ 最適合包含數百個特徵時間序列的大型資料集。演算法接受前瞻相關時間序列和項目中繼資料。
Prophet
arn:aws:forecast:::algorithm/Prophet
Prophet 是一種時間序列預測演算法，以附加模型為基礎，其中非線性趨勢符合每年、每週和每日季節性。它最適合具有強烈季節性效果和數個季節歷史資料的時間序列。
NPTS
arn:aws:forecast:::algorithm/NPTS
Amazon Forecast 非參數時間序列 (NPTS) 專屬演算法是可擴展、概率的基準預測器。NPTS 在處理稀疏或間歇時間序列時特別有用。預測提供四種演算法變體：標準 NPTS、季節性 NPTS、氣候預測器和季節性氣候預測器。
ARIMA
arn:aws:forecast:::algorithm/ARIMA
自動迴歸整合移動平均 (ARIMA) 是一種常用的統計演算法，用於時間序列預測。此演算法對於具有低於 100 個時間序列的簡單資料集特別有用。
ETS
arn:aws:forecast:::algorithm/ETS
指數平滑 (ETS) 是用於時間序列預測的常用統計演算法。該演算法對於具有 100 個時間序列以下的簡單資料集以及具有季節性模式的資料集特別有用。ETS 計算時間序列資料集中所有觀測值的加權平均值作為其預測，權重隨著時間的推移呈指數下降。
比較預測演算法
使用下表尋找時間序列資料集的最佳選項。
| 神經網路 | 彈性本機演算法 | 基準演算法 | ||||
|---|---|---|---|---|---|---|
| CNN-QR | DeepAR+ | Prophet | NPTS | ARIMA | ETS | |
| 運算密集的訓練程序 | 高 | 高 | 中 | 低 | 低 | 低 |
| 接受歷史相關時間序列* | ||||||
| 接受前瞻相關時間序列* | ||||||
| 接受項目中繼資料 （產品顏色、品牌等） | ||||||
| 接受內建特徵化的天氣索引 | ||||||
| 適用於稀疏資料集 | ||||||
| 執行超參數最佳化 (HPO) | ||||||
| 允許覆寫預設超參數值 | ||||||
*如需相關時間序列的詳細資訊，請參閱相關時間序列。
