Wie RCF zum Generieren von Prognosen angewendet wird

Um den nächsten Wert in einer stationären Zeitsequenz zu prognostizieren, beantwortet der RCF-Algorithmus die Frage: "Was wäre die wahrscheinlichste Fertigstellung, nachdem wir einen als Kandidat identifizierten Wert haben?" Er verwendet eine einzelne Struktur in RCF, um die Suche nach dem besten Kandidaten zu starten. Die Kandidaten in verschiedenen Strukturen werden aggregiert, da jede Struktur selbst eine schwache Prognosekraft ist. Die Aggregation ermöglicht auch die Erzeugung von Quantilfehlern. Dieser Vorgang wird t-Mal wiederholt, um den t(s)-ten Wert zu prognostizieren.

Der Algorithmus in Amazon QuickSight heißt BIFOCAL. Er verwendet zwei RCFs, um eine CALibrated BI-FOrest-Architektur zu erstellen. Der erste RCF wird verwendet, um Anomalien herauszufiltern und eine schwache Prognose zu liefern, die vom zweiten korrigiert wird. Insgesamt ermöglicht dieser Ansatz deutlich robustere Prognosen im Vergleich zu anderen allgemein verfügbaren Algorithmen wie ETS.

Die Anzahl der Parameter im Amazon QuickSight-Prognosealgorithmus ist deutlich geringer als bei anderen allgemein verfügbaren Algorithmen. Auf diese Weise kann er direkt ohne menschliche Anpassung für eine größere Anzahl von Zeitreihendatenpunkten nützlich sein. Da immer mehr Daten in einer bestimmten Zeitreihe angesammelt werden, können sich die Prognosen in Amazon QuickSight an Datenabweichungen und Änderungen der Muster anpassen. Für Zeitreihen, die Trends anzeigen, wird die Trendermittlung zuerst durchgeführt, um die Reihe stationär zu machen. Die Prognose der stationären Sequenz wird mit dem Trend zurück projiziert.

Da sich der Algorithmus auf einen effizienten Online-Algorithmus (RCF) stützt, kann er interaktive "Was wäre, wenn"-Abfragen unterstützen. In diesen können einige der Prognosen geändert und als Hypothesen behandelt werden, um bedingte Prognosen zu liefern. Dies ist der Ursprung der Möglichkeit zum Untersuchen von „Was wäre, wenn“-Szenarien während der Analyse.