Deweloper ma godzinowe historyczne dane dotyczące zapotrzebowania w Amazon S3, ale brakuje niektórych godzin. Deweloper chce sprawdzić, czy model ARIMA jest odpowiedni. Jaki jest najlepszy sposób na weryfikację przydatności modelu ARIMA?

Prawidłowa odpowiedź to użycie Amazon SageMaker Data Wrangler do załadowania danych z S3, ponownego próbkowania danych poprzez obliczenie dziennych sum zagregowanych i wykonanie dekompozycji sezonowo-trendowej. Modele ARIMA wymagają danych o stałym interwale czasowym. Ponowne próbkowanie danych godzinowych do dziennych sum zagregowanych rozwiązuje problem brakujących godzin, tworząc spójny szereg czasowy. Dekompozycja sezonowo-trendowa jest kluczowa do zrozumienia komponentów szeregu czasowego (trend, sezonowość, reszta), co pomaga w ocenie, czy ARIMA jest odpowiednim modelem, ponieważ ARIMA dobrze radzi sobie z danymi stacjonarnymi i może modelować sezonowość. Pozostałe opcje są nieprawidłowe, ponieważ: Imputacja brakujących wartości godzinowych może wprowadzić błędy lub sztuczne wzorce, jeśli braki są znaczące, a ARIMA nadal wymaga stacjonarności. Amazon SageMaker Autopilot nie obsługuje bezpośrednio modeli ARIMA jako typu problemu ani nie wykonuje dekompozycji sezonowo-trendowej, a jego głównym celem jest automatyczny wybór i strojenie modeli, a nie wstępna analiza przydatności konkretnego algorytmu.