Amazon Forecast 不再向新买家开放。Amazon Forecast 的现有客户可以继续照常使用该服务。[了解更多](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/)

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 自回归积分滑动平均模型 (ARIMA) 算法
<a name="aws-forecast-recipe-arima"></a>

自回归积分滑动平均模型 ([ARIMA](https://en.wikipedia.org/wiki/Autoregressive_integrated_moving_average)) 是一种常用的时间序列预测局部统计算法。ARIMA 捕获输入数据集中的标准时间结构（模式化的时间组织）。Amazon Forecast ARIMA 算法在综合 R 档案网络（CRAN）的 `Package 'forecast'` 中调用 [Arima 函数](https://cran.r-project.org/web/packages/forecast/forecast.pdf#Rfn.Arima.1)。

## ARIMA 的工作原理
<a name="aws-forecast-recipe-arima-how-it-works"></a>

ARIMA 算法对于可以映射到平稳时间序列的数据集特别有用。平稳时间序列的统计特性（例如自相关）与时间无关。具有平稳时间序列的数据集通常包含信号和噪声的组合。信号可能呈现正弦振荡模式或具有季节性成分。ARIMA 就像一个过滤器，将信号从噪声中分离出来，然后对未来的信号进行推断以做出预测。

## ARIMA 超参数和优化
<a name="aws-forecast-recipe-arima-hyperparamters"></a>

有关 ARIMA 超参数和优化的信息，请参阅 [CRAN](https://cran.r-project.org) 的“预测”包中的 `Arima` 函数文档。

Amazon Forecast 通过下表将 [CreateDataset](API_CreateDataset.md) 操作中指定的 `DataFrequency` 参数转换为 R [ts](https://www.rdocumentation.org/packages/stats/versions/3.6.1/topics/ts) 函数的 `frequency` 参数：


| DataFrequency （字符串） | R ts 频率（整型） | 
| --- | --- | 
| Y | 1 | 
| M | 12 | 
| W | 52 | 
| D | 7 | 
| H | 24 | 
| 30 分钟 | 2 | 
| 15 分钟 | 4 | 
| 10 分钟 | 6 | 
| 5 分钟 | 12 | 
| 1 分钟 | 60 | 

对于小于 24 的频率或短时间序列，则使用 [CRAN](https://cran.r-project.org) 的 `Package 'forecast'` 的 `auto.arima` 函数设置超参数。对于大于等于 24 的频率和长时间序列，我们使用傅立叶级数 K = 4，如此处[使用长季节性周期进行预测](https://robjhyndman.com/hyndsight/longseasonality/)所述。

表中不支持的数据频率默认为 `ts` 频率 1。