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。

# 时间序列预测支持的算法
<a name="timeseries-forecasting-algorithms"></a>

Autopilot 根据您的目标时间序列训练以下六种内置算法。然后，它使用堆叠组合方法将这些候选模型结合起来，针对给定目标指标创建最佳的预测模型。
+ **卷积神经网络——分位数回归 (CNN-QR) — CNN-QR** 是一种专有的机器学习算法，用于使用因果卷积神经网络预测时间序列 ()。CNNsCNN-QR 最适合处理包含数百个时间序列的大型数据集。
+ **Deepar\$1** — Deepar\$1 是一种专有的机器学习算法，用于使用循环神经网络预测时间序列 ()。RNNsDeepAR\$1 最适合处理包含数百个时间特征的大型数据集。
+ **Prophet** – [Prophet](https://facebook.github.io/prophet/) 是一种流行的局部贝叶斯结构时间序列模型，基于加法模型，其中非线性趋势与每年、每周和每日的季节性相拟合。Autopilot Prophet 算法使用 Prophet 的 Python 实施的 [Prophet 类](https://facebook.github.io/prophet/docs/quick_start.html#python-ap)。它最适合具有强季节效应的时间序列和多个季节的历史数据。
+ **非参数时间序列 (NPTS)** – NPTS 专有算法是可扩展的概率基线预测器。它通过从过去的观察数据中采样来预测给定时间序列的未来值分布。NPTS 在处理稀疏或间歇性时间序列时尤为有用。
+ **自回归积分滑动平均值 (ARIMA)** – ARIMA 是一种面向时间序列预测的常用统计算法。该算法捕获输入数据集中的标准时间结构（模式化的时间组织）。它对小于 100 个时间序列的简单数据集特别有用。
+ **指数平滑法 (ETS)** – ETS 是一种用于时间序列预测的常用统计算法。该算法对小于 100 个时间序列的简单数据集以及具有季节性模式的数据集特别有用。ETS 计算时间序列数据集中所有观察数据的加权平均值作为其预测，权重随时间呈指数递减。