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。
整合移動平均自回歸模型 (ARIMA) 演算法
整合移動自回歸模型 (ARIMAPackage 'forecast'
的 中呼叫 Arima 函數
ARIMA 的運作方式
ARIMA 演算法特別適用於可對應到固定時間序列的資料集。固定的時間序列的統計屬性,例如自回歸模型,與時間無關。資料集的固定時間序列通常由信號和雜訊組成。信號有可能呈現正弦振盪模式或具有季節性成分。ARIMA 的作用類似於過濾器,可將信號與雜訊分離,然後推導未來的信號以進行預測。
ARIMA 的超參數和調校
如需有關 ARIMA 超參數和調校的資訊,請參閱 CRANArima
函數文件。
Amazon Forecast 會使用下表,將 CreateDataset操作中指定的DataFrequency
參數轉換為 R tsfrequency
參數:
DataFrequency (字串) | R ts frequency (整數) |
---|---|
Y | 1 |
M | 12 |
W | 52 |
D | 7 |
H | 24 |
30min | 2 |
15min | 4 |
10min | 6 |
5min | 12 |
1min | 60 |
對於小於 24 或短時間序列的頻率,超參數是使用 CRANPackage 'forecast'
的 auto.arima
函數設定。對於大於或等於 24 的頻率和長時間序列,我們使用 Fourier 序列與 K = 4,如這裡所述,以長季節期間預測
不在資料表中的支援資料頻率預設為 1 的 ts
頻率。