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」](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/)

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。

# 非參數時間序列 (NPTS) 演算法
<a name="aws-forecast-recipe-npts"></a>

Amazon Forecast 非參數時間序列 (NPTS) 演算法是一種可擴展的概率基線預測器。它透過從過去的觀察中抽樣來預測特定時間序列的未來值分佈。預測結果受到觀察值的限制。當時間序列是間歇性 (或稀疏的，包含許多 0) 和突增時，NPTS 會特別有用。例如，對於時間序列有很多低計數的個別項目，預測其需求。Amazon Forecast 提供 NPTS 的變體，它們對於採樣哪些過去的觀察值及採樣方式有所不同。若要使用 NPTS 變體，請選擇超參數設定。

## NPTS 的運作方式
<a name="aws-forecast-recipe-npts-how-it-works"></a>

與古典預測方法 (例如指數平滑法 (ETS) 和整合移動平均自回歸模型 (ARIMA)) 類似，NPTS 會為每個時間序列個別產生預測。資料集中的時間序列可以有不同的長度。有可用觀察值的時間點稱為訓練範圍，而期望預測的時間點稱為預測範圍。

Amazon Forecast NPTS 預測器提供下列變體：NTPS、季節性 NTPS、氣候預測器和季節性氣候預測器。

**Topics**
+ [NPTS](#aws-forecast-recipe-npts-variants-npts)
+ [季節性 NPTS](#aws-forecast-recipe-npts-variants-seasonal)
+ [氣候預測器](#aws-forecast-recipe-npts-variants-climatological)
+ [季節性氣候預測器](#aws-forecast-recipe-npts-variants-seasonal-climatological)
+ [季節性特徵](#aws-forecast-recipe-npts-seasonal-features)
+ [最佳實務](#aws-forecast-recipe-npts-recommended-practices)

### NPTS
<a name="aws-forecast-recipe-npts-variants-npts"></a>

在這個變體中，透過對時間序列訓練範圍內的所有觀察值進行採樣來產生預測。不過，這個變體不是從所有觀察中統一抽樣，而是根據與需要預測之目前時階距離多遠，來為每個過去的觀察值分配權重。特別是，它使用的權重會根據過去觀察值的距離呈指數衰減。利用這種方式，來自最近過去的觀察值的採樣機率，遠高於來自遙遠過去的觀察值。這裡假設近期過去比遙遠的過去更能預示未來。您可以使用 `exp_kernel_weights` 超參數來控制加權的衰減量。

若要在 Amazon Forecast 中使用此 NPTS 變體，請將 `use_seasonal_model` 超參數設為 `False` 並接受所有其他預設設定。

### 季節性 NPTS
<a name="aws-forecast-recipe-npts-variants-seasonal"></a>

季節性 NPTS 與 NPTS 類似，差別在於它不是從所有觀察中抽樣，而是僅使用過去*幾季*的觀察值。在預設情況下，季節取決於時間序列的精細程度。例如，對於每小時時間序列，若要預測第 *t* 小時，這個變體會從對應於前幾天的第 *t* 小時觀察中採樣。與 NPTS 類似的是，前一天第 *t* 小時的觀察值，會給予比更早幾天第 *t* 小時觀察值更多的權重。如需如何時間序列的精細程度來判斷季節性的詳細資訊，請參閱[季節性特徵](#aws-forecast-recipe-npts-seasonal-features)。

### 氣候預測器
<a name="aws-forecast-recipe-npts-variants-climatological"></a>

氣候預測器變體會以均勻機率對所有過去的觀察結果進行採樣。

若要使用氣候預測器，請將 `kernel_type` 超參數設定為 `uniform` 並將 `use_seasonal_model` 超參數設定為 `False`。對於所有其他超參數，接受預設設定。

### 季節性氣候預測器
<a name="aws-forecast-recipe-npts-variants-seasonal-climatological"></a>

與季節性 NPTS 類似，季節性氣候預測器會對過去幾季的觀察結果進行抽樣，但會以均勻機率來抽樣。

若要使用季節性氣候預測器，請將 `kernel_type` 超參數設定為 `uniform`。對於所有其他超參數，請接受所有其他預設設定。

### 季節性特徵
<a name="aws-forecast-recipe-npts-seasonal-features"></a>

若要判斷哪些項目對應至季節性 NPTS 和季節性氣候預測器的季節，請使用下表所列的特徵。下表根據精細程度，列出所支援基本時間頻率的衍生特徵。Amazon Forecast 包含這些特徵時間序列，因此您不需要提供。


****  

| 時間序列的頻率 | 決定季節性的特徵 | 
| --- | --- | 
| 分鐘 | 小時中的分鐘 | 
| 小時 | 一天的幾時 | 
| 天 | 週中的日 | 
| 週 | 月中的日 | 
| 月 | 年中的月 | 

### 最佳實務
<a name="aws-forecast-recipe-npts-recommended-practices"></a>

使用 Amazon Forecast NPTS 演算法時，請考慮準備資料和獲得最佳結果的以下最佳實務：
+ 由於 NPTS 會為每個時間序列個別產生預測結果，因此在呼叫模型以進行預測時，請提供整個時間序列。此外，也請接受 `context_length` 超參數的預設值。這會讓演算法使用整個時間序列。
+  如果您變更 `context_length` (因為訓練資料太長)，請確認它的大小足夠，可涵蓋多個過去季節。例如，對於每日時間序列，這個值必須至少有 365 天 (假設您擁有這麼多數量的資料)。

## NPTS 超參數
<a name="aws-forecast-recipe-npts-hyperparamters"></a>

下表列出您可用於 NPTS 演算法中的超參數。


| 參數名稱 | Description | 
| --- | --- | 
| context\$1length | 模型用於進行預測的過去時間點數量。在預設情況下，它會使用訓練範圍內的所有時間點。一般而言，這個超參數的值應該很大，也應該涵蓋多個過去的季節。例如，對於每日時間序列，這個值必須至少有 365 天。[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/zh_tw/forecast/latest/dg/aws-forecast-recipe-npts.html)  | 
| kernel\$1type | 核心，用來定義對過去觀察值進行採樣的權重。[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/zh_tw/forecast/latest/dg/aws-forecast-recipe-npts.html)  | 
| exp\$1kernel\$1weights |  只有在 `kernel_type` 為 `exponential` 時有效。 核心的擴展參數。如需對在遙遠過去的觀察值所給予權重的更快 (指數) 衰減，請使用大數值。 [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/zh_tw/forecast/latest/dg/aws-forecast-recipe-npts.html)  | 
| use\$1seasonal\$1model | 是否使用季節性變體。[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/zh_tw/forecast/latest/dg/aws-forecast-recipe-npts.html)  | 
| use\$1default\$1time\$1features |  僅適用於*季節性 NPTS* 和*季節性氣候預測器*變體。 是否使用根據時間序列之精細程度的季節性特徵來判斷季節性。 [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/zh_tw/forecast/latest/dg/aws-forecast-recipe-npts.html)  |