参考信息：适用于 Adaptive Planning 的机器学习算法
Adaptive Planning 为预测预测器提供了多种算法，并为异常检测提供了 1 种算法。所有算法都提供了足够的结果。不过，我们建议您进行试错流程，以找到最适合您的数据的算法。
下表提供了一些通用指导原则和功能，可帮助您做出选择。请务必检查预测数据的准确性。
算法比较
除了参考数据点与预测数据点之间的比率为 3:2 之外，表格中还必须列出每种算法的最小数据点数。
算法 | 详细信息 | 要求和功能 |
|---|---|---|
AutoFit | 分类器模型 | 季节性 ：每年、每两年和每季度（包含“每周”和“乘法”选项）。参考中的最小数据点数 ：15 杠杆 ：是 注释 ：适用于以下类型的数据：
“自动调整”可以应用不支持某些功能的算法。示例：当“自动调整”应用“Croton”时，它不使用季节性或杠杆。 |
ARIMA | 自回归移动平均模型。 | 季节性： 自动考虑季节性影响，无需用户定义的规范。
参考中的最小数据点数 ：10控制杆： 是注：
|
Croston | 指数平滑模型。 | 季节性 ：否参考中的最小数据点数 ：2杠杆 ：否 注释 ：
|
Holt-Winters | 加法或乘法季节性模型
指数平滑。 | 季节性 ：每年、每两年和每季度（带乘法选项）。参考中的最小数据点数 ：9 杠杆 ：否 注释 ：
|
Kalman 筛选器 | 状态空间模型
根据时间序列中的已知历史值来预估将来值。 在每个步骤中考虑干扰因素和上一步中获得的预估值，以递归方式预估预测的平均值。 | 季节性 ：通过此选项，您可以指明是否要考虑季节性。参考中的最小数据点数 ：2 杠杆 ：否 注释 ：
|
LightGBM | 监督学习模型。
使用滞后及其对预测的影响。 | 季节性 ：否参考中的最小数据点数 ：12 杠杆 ：是 注释 ：非常适用于需求预测情景。 |
N-BEATS | 使用公开数据集引导的元深度学习模型。
创建一个具有历史时间序列基本信息的神经网络。 使用公共领域也使用的 60,000 多个时间序列进行了训练。 速度快，因为它为每个时间序列使用单个模型。 | 季节性 ：自动考虑季节性影响，无需用户定义的规范。参考中的最小数据点数 ：2杠杆 ：否 |
Orbit DLT | 加法和减幅趋势模型 | 季节性 ：每年、每两年和每季度。参考中的最小数据点数 ：2杠杆 ：否 注释 ：适用于符合以下条件的数据：
|
Prophet | 具有非线性趋势的累加模型
将预测流程构建为曲线拟合问题，并考虑季节性因素和外部杠杆。 | 季节性 ：每年、每两年和每季度（包含“每周”和“乘法”选项）。参考中的最小数据点数 ：2 杠杆 ：是 注释 ：适用于符合以下条件的数据：
|