如何RCF套用以產生預測

若要預測固定時間序列中的下一個值，RCF演算法會回答以下問題：「在我們擁有候選值之後，最有可能完成的項目是什麼？」 它使用 中的單一樹狀目錄RCF來搜尋最佳候選者。由於每個樹本身即是較弱的預測器，因此會彙總不同樹的候選值。彙總值也可用於產生分位數誤差。此流程會反覆執行 t 次，以預測未來的第 t 個值。

Amazon 中的演算法 QuickSight 稱為 BIFOCAL。它使用兩個 RCFs 來建立 CALibrated BI FOrest架構。第一個RCF用於篩選異常並提供弱預測，由第二個修正。整體而言，相較於其他廣泛可用的演算法，此方法提供更強大的預測，例如 ETS。

Amazon QuickSight 預測演算法中的參數數目遠低於其他廣泛可用的演算法。這可讓該演算法立即發揮功效，無需人工調整更龐大的時間序列資料點。隨著特定時間序列中累積的資料越多，Amazon 中的預測 QuickSight 可以根據資料偏離和模式變更進行調整。對於顯示趨勢的時間序列而言，會先執行趨勢偵測，以使序列固定。使用趨勢回推固定序列的預測。

由於演算法依賴有效率的線上演算法 （RCF），因此可以支援互動式「假設」查詢。在這些之中，部分預測可以修改並視為假設處理，以提供有條件的預測。這是在分析時探索「模擬」情境之能力的起源。