整合移動平均自回歸模型 (ARIMA) 演算法 - Amazon Forecast

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 (ARIMA) 是一種常用的本機統計演算法針對時間序列預測。ARIMA 擷取輸入資料集內的標準時間結構 (規律的時間組織)。Amazon Forecast ARIMA 演算法會在 Comprehensive R Archive Network (CRAN) Package '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 CRAN 套件「預測」中的Arima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 ts 函數的frequency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 CRAN Package 'forecast'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。