Ein Entwickler verfügt über stündliche historische Bedarfsdaten in Amazon S3, aber einige Stunden fehlen. Der Entwickler möchte prüfen, ob ein ARIMA-Modell geeignet ist. Was ist der beste Weg, um die Eignung von ARIMA zu überprüfen?

Die korrekte Antwort ist die Verwendung von Amazon SageMaker Data Wrangler, um Daten aus S3 zu laden, die Daten durch Berechnung täglicher Gesamtsummen neu abzutasten und eine saisonale Trendzerlegung durchzuführen. ARIMA-Modelle erfordern stationäre Zeitreihendaten. Die Neuberechnung auf tägliche Gesamtsummen (Resampling) kann helfen, stündliche Schwankungen zu glätten und fehlende Werte zu überbrücken, während die saisonale Trendzerlegung (Seasonal-Trend decomposition) die Komponenten der Zeitreihe (Trend, Saisonalität, Residuen) isoliert, was für die Beurteilung der Stationarität und die Vorbereitung auf ARIMA entscheidend ist. Die Option mit der Imputation fehlender Stundenwerte ist weniger geeignet, da die Imputation auf stündlicher Basis bei vielen fehlenden Werten die Datenqualität beeinträchtigen kann und das Resampling auf tägliche Gesamtsummen oft eine robustere Methode ist, um mit unvollständigen stündlichen Daten umzugehen. SageMaker Autopilot ist für die automatische Modellauswahl und -optimierung gedacht, aber nicht primär für die explorative Datenanalyse und die Überprüfung der Eignung eines spezifischen Modells wie ARIMA durch manuelle Schritte wie Resampling und Zerlegung.