ForecastingModels type
定義 ForecastingModels 的值。
KnownForecastingModels 可以與 ForecastingModels 交換使用，此列舉包含服務支援的已知值。
服務支援的已知值
AutoArima：自動回歸整合式移動平均 (ARIMA) 模型會使用時間序列資料和統計分析來解譯資料並做出未來的預測。
此模型的目標是使用過去值的時間序列資料來說明資料，並使用線性回歸來進行預測。
五十月：五月是一種根據加法模型預測時間序列資料的程式，其中非線性趨勢符合每年、每週和每日季節性，以及假日效果。
它最適合具有強季節性效果的時間序列，以及數個歷程記錄資料。 在趨勢中遺漏資料並轉移，而且通常會妥善處理極端值。
貝氏：貝氏預測模型會針對定型資料中的每個時間序列，轉送最新的目標值來進行預測。
SeasonalNaive：季節性貝氏預測模型會針對定型資料中的每個時間序列，順向目標值的最新季來做出預測。
平均：平均預測模型會針對定型資料中的每個時間序列，轉送目標值的平均值來進行預測。
SeasonalAverage：季節性平均預測模型會針對定型資料中的每個時間序列，轉送最新季資料的平均值來進行預測。
ExponentialSmoothing：指數平滑是單變數資料的時間序列預測方法，可擴充以支援具有系統化趨勢或季節性元件的資料。
Arimax：具有說明變數的自動回歸整合式移動平均 (ARIMAX) 模型可以檢視為具有一或多個自動回歸 (AR) 詞彙和/或一或多個移動平均 (MA) 字詞的多個回歸模型。
這個方法適用于當資料為固定/非固定時進行預測，並使用任何類型的資料模式進行多重變數，亦即層級/趨勢 /季節性/迴圈性。
TCNForecaster：TCNForecaster：時態卷積網路預測器。 TODO：詢問預測小組以取得簡短簡介。
ElasticNet：彈性net 是一種常用的正規化線性回歸類型，結合了兩個熱門的懲罰，特別是 L1 和 L2 懲罰函式。
GradientBoosting：將周學習者傳輸至強式學習工具的技術稱為 Boosting。 漸層提升演算法程式適用于此執行理論。
DecisionTree：決策樹是用於分類和回歸工作的非參數監督式學習方法。
目標是建立模型，藉由學習從資料特徵推斷的簡單決策規則來預測目標變數的值。
KNN：K 近鄰 (KNN) 演算法會使用「特徵相似度」來預測新資料點的值，這進一步表示新資料點會根據其與定型集中的點相近程度來指派值。
LassoLars：Lasso模型符合最低角度回歸 a.k.a. Lars。 它是使用 L1 定型的線性模型，先前為正規化程式。
SGD：SGD：隨機漸層下降是一種優化演算法，常用於機器學習應用程式，以尋找對應到預測與實際輸出之間最適合的模型參數。
這是一種不盡但功能強大的技術。
RandomForest：隨機樹系是受監督的學習演算法。
其所建置的「樹系」是決策樹的一組，通常是使用「標記」方法定型。
標記方法的一般概念是，學習模型的組合會增加整體結果。
ExtremeRandomTrees：極端樹狀結構是結合許多決策樹預測的可整合機器學習演算法。 它與廣泛使用的隨機樹系演算法有關。
LightGBM：LightGBM是使用樹狀結構式學習演算法的漸層提升架構。
XGBoostRegressor：XGBoostRegressor：極端漸層提升回歸輸入器是使用基底學習工具的一組受監督機器學習模型。
type ForecastingModels = string