Разработчик имеет почасовые исторические данные о спросе в Amazon S3, но некоторые часы отсутствуют. Разработчик хочет проверить, подходит ли модель ARIMA. Какой наилучший способ проверить пригодность ARIMA?

Правильный ответ — использование Amazon SageMaker Data Wrangler для загрузки данных из S3, передискретизации данных путем вычисления ежедневных агрегированных сумм и выполнения декомпозиции сезонности и тренда. Модели ARIMA требуют стационарных временных рядов. Передискретизация данных до ежедневных агрегированных сумм помогает сгладить шум и заполнить пробелы, делая данные более подходящими для анализа стационарности. Декомпозиция сезонности и тренда позволяет выявить основные компоненты временного ряда, что критически важно для определения необходимости дифференцирования и выбора правильных порядков ARIMA (p, d, q). Неправильные варианты: Интерполяция пропущенных почасовых значений может быть полезной, но не является достаточной для проверки пригодности ARIMA без дальнейшего анализа стационарности и декомпозиции. SageMaker Autopilot не поддерживает ARIMA напрямую как тип задачи для автоматического выбора модели, и его основное назначение — автоматический выбор и настройка моделей машинного обучения, а не предварительный анализ временных рядов для ARIMA. Повторный вариант с Autopilot также неверен по тем же причинам.