演算法支援時間序列預測 - Amazon SageMaker

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。

演算法支援時間序列預測

Autopilot 可訓練以下六種內建演算法，搭配您的目標時間。然後，使用堆疊整合方法，組合這些候選模型，為指定的目標指標建立最佳預測模型。

  • 卷積神經網路 - 量化迴歸 （CNN-QR） – CNNQR 是使用因果卷積神經網路 （） 預測時間序列的專有機器學習演算法CNNs。CNN-QR 最適合用於包含數百個時間序列的大型資料集。

  • DeepAR + – DeepAR + 是使用遞歸神經網路預測時間序列的專用機器學習演算法 （RNNs）。DeepAR A+ 最適合包含數百個特徵時間序列的大型資料集。

  • Prophet - Prophet 是流行的本機 Bayesian 結構時間序列模型，其中非線性趨勢適合每年、每週和及每日季節性的新增模型。Autopilot Prophet 演算法使用 Prophet 的 Python 實作的 Prophet 類別。它最適合具有強烈季節性影響的時間序列和多個季節的歷史資料。

  • 非參數時間序列 （NPTS） – NPTS專有演算法是可擴展、概率的基準預測器。它透過對過去的觀察進行取樣來預測特定時間序列的未來值分佈。NPTS 在使用稀疏或間歇性時間序列時特別有用。

  • Autoregressive 整合式移動平均 （ARIMA） – ARIMA 是用於時間序列預測的常用統計演算法。此演算法擷取輸入資料集內的標準時間結構 (規律的時間組織)。它對於時間序列少於 100 個的簡單資料集特別有用。

  • 指數平滑處理 （ETS） – 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 會計算時間序列資料集中所有觀測值的加權平均值作為預測，並隨時間呈指數級地減少權重。