Erste Schritte (AWS CLI)

Fokusmodus

Erste Schritte (AWS CLI) - Amazon Forecast

Amazon Forecast ist für Neukunden nicht mehr verfügbar. Bestehende Kunden von Amazon Forecast können den Service weiterhin wie gewohnt nutzen. Erfahren Sie mehr“

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Amazon Forecast ist für Neukunden nicht mehr verfügbar. Bestehende Kunden von Amazon Forecast können den Service weiterhin wie gewohnt nutzen. Erfahren Sie mehr“

In dieser Übung verwenden Sie AWS Command Line Interface (AWS CLI), um Amazon Forecast zu erkunden. Sie erstellen einen Amazon Forecast-Datensatz, trainieren einen Prädiktor und verwenden den resultierenden Prädiktor, um eine Prognose zu generieren. Bevor Sie beginnen, vergewissern Sie sich, dass Sie eine AWS-Konto haben und dass Sie die AWS CLI eingerichtet haben. Weitere Informationen finden Sie unter Einrichten.

Anmerkung

Die AWS CLI Befehle in dieser Übung wurden unter Linux getestet. Informationen zur Verwendung der AWS CLI Befehle unter Windows finden Sie AWS Command Line Interface im AWS Command Line Interface Benutzerhandbuch unter Angeben von Parameterwerten für.

Erstellen Sie zunächst ein Dataset und importieren Sie die Stromverbrauchsdaten darin.

So erstellen Sie ein Amazon Forecast-Dataset

Entscheiden Sie, welche Domäne und welcher Dataset-Typ geeignet ist.

Welche Domäne und welchen Typ Sie für Ihr Dataset auswählen, ist abhängig von den Schulungsdaten, die Sie in das Dataset importieren. Sehen wir uns daher zunächst einige Beispielzeilen der Stromverbrauchsdaten an:
```
2014-01-01 01:00:00,   2.53807106598985, client_0
2014-01-01 01:00:00, 23.648648648648624, client_1
2014-01-01 02:00:00,  9.648648648612345, client_0 
```
Das Dateiformat ist CSV (durch Komma getrennte Werte) und die Daten werden stündlich erfasst (erkennbar an den Zeitstempeln). Die Datei enthält die folgenden Spalten:
- Spalte 1 — Zeitstempel, die angeben, wann der Stromverbrauch aufgezeichnet wurde.
- Spalte 2 — Stündliche Stromverbrauchswerte (beachten Sie, wie die Zeitstempelwerte mit jeder Stunde steigen).
- Spalte 3 — Kunden-ID-Werte, anhand derer die Kunden identifiziert werden, die den Strom verbrauchen.
Wählen Sie für diese Daten die folgenden vordefinierten Werte für Domäne und Typ des Datasets aus:
- Benutzerdefinierte Domain — Keine der Datensatzdomänen, wie METRICS, RETAIL oder WEB_TRAFFIC, gilt für diese Daten. Wählen Sie daher die benutzerdefinierte Domain.
- Zielzeitreihentyp — Bei den Daten handelt es sich um eine Zeitreihe, da sie den Stromverbrauch im Laufe der Zeit verfolgen. Die Daten enthalten auch das Ziel, für das eine Prognose erstellt werden soll (Spalte 2, Stromverbrauch). Wählen Sie daher den Ziel-Zeitreihen-Dataset-Typ aus.
  
  Eine Erläuterung zur Auswahl dieses Typs finden Sie unter Vordefinierte Dataset-Domänen und Dataset-Typen.
Legen Sie ein Dataset-Schema fest.

Der Ziel-Zeitreihentyp für die CUSTOM-Domäne hat folgende Pflichtfelder: timestamp, target_value und item_id. Das target_value Feld ist das Ziel. Amazon Forecast generiert die Prognose für dieses Feld.

Um die erforderlichen Felder den Spalten in Ihren Daten zuzuordnen, erstellen Sie ein Schema. Jedes Attribut im Schema entspricht einem Feld in den Daten.

Wichtig
Die Reihenfolge der Attribute im Schema muss mit der Reihenfolge der Felder in den Schulungsdaten übereinstimmen.
```
{
  "Attributes":[
    {
       "AttributeName": "timestamp",
       "AttributeType": "timestamp"
    },
    {
       "AttributeName": "target_value",
       "AttributeType": "float"
    },
    {
       "AttributeName": "item_id",
       "AttributeType": "string"
    }
  ]
}
```
Jetzt haben Sie alle Informationen, die Sie brauchen, um ein Dataset zu erstellen und Daten darin zu importieren.

Erstellen Sie das Dataset.


aws forecast create-dataset \
--dataset-name electricity_demand_ds \
--domain CUSTOM \
--dataset-type TARGET_TIME_SERIES \
--data-frequency H \
--schema '{
  "Attributes": [
    {
      "AttributeName": "timestamp",
      "AttributeType": "timestamp"
    },
    {
      "AttributeName": "target_value",
      "AttributeType": "float"
    },
    {
      "AttributeName": "item_id",
      "AttributeType": "string"
    }
  ]
}'

Der data-frequency-Wert H in der Anforderung gibt an, dass die Datenerfassung stündlich erfolgt. Nachfolgend finden Sie eine Beispielantwort.


{
    "DatasetArn": "arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds"
}

Weitere Informationen zu dieser Operation finden Sie im Abschnitt CreateDataset.

(Optional) Rufen Sie die Beschreibung des Datasets ab.


aws forecast describe-dataset \
--dataset-arn arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds

Nachfolgend finden Sie eine Beispielantwort.


{
    "DatasetName": "electricity_demand_ds",
    "DatasetArn": "arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds",
    "CreationTime": 1564533087.907,
    "LastModificationTime": 1564533087.907,
    "Domain": "CUSTOM",
    "DatasetType": "TARGET_TIME_SERIES",
    "DataFrequency": "H",
    "Schema": { ... },
    "EncryptionConfig": {},
    "Status": "ACTIVE"
}

Anmerkung

Die Reihenfolge der Schlüssel-Wert-Paare in der Antwort ist beliebig.

Erstellen Sie eine Dataset-Gruppe und fügen Sie ihr das Dataset hinzu: Der Wert des domain-Parameters muss mit der domain des Datasets übereinstimmen.


aws forecast create-dataset-group \
--dataset-group-name electricity_ds_group \
--dataset-arns arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds \
--domain CUSTOM

Nachfolgend finden Sie eine Beispielantwort.


{
    "DatasetGroupArn": "arn:aws:forecast:us-west-2:acct-id:dataset-group/electricity_ds_group"
}

Weitere Informationen zu dieser Operation finden Sie im Abschnitt CreateDatasetGroup.

(Optional) Rufen Sie die Beschreibung der Dataset-Gruppe ab.


aws forecast describe-dataset-group \
--dataset-group-arn arn:aws:forecast:us-west-2:acct-id:dataset-group/electricity_ds_group

Nachfolgend finden Sie eine Beispielantwort.


{
    "DatasetGroupName": "electricity_ds_group",
    "DatasetGroupArn": "arn:aws:forecast:us-west-2:acct-id:dataset-group/electricity_ds_group",
    "DatasetArns": [
        "arn:aws:forecast:us-west-2:acct-id:dataset-group/electricity_ds_group"
    ],
    "Domain": "CUSTOM",
    "CreationTime": 1564533719.852,
    "LastModificationTime": 1564533719.852,
    "Status": "ACTIVE"
}

Importieren Sie die Trainingsdaten zum Stromverbrauch aus Ihrem Amazon S3 S3-Bucket in den Datensatz. Die von Ihnen angegebene IAM-Rolle muss berechtigt sein, Daten aus Ihrem S3-Bucket zu lesen. Informationen zum Erstellen einer IAM-Rolle finden Sie unter. Erstellen Sie eine IAM-Rolle für Amazon Forecast ()AWS CLI


aws forecast create-dataset-import-job \
--dataset-arn arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds \
--dataset-import-job-name electricity_ds_import_job \
--data-source '{
    "S3Config": {
      "Path": "s3://bucket/electricityusagedata.csv",
      "RoleArn": "arn:aws:iam::acct-id:role/Role"
    }
  }'

Nachfolgend finden Sie die Syntax-Kurzschrift für den data-source-Parameter.


--data-source S3Config="{Path='s3://bucket/electricityusagedata.csv',RoleArn='arn:aws:iam::acct-id:role/Role'}"

Nachfolgend finden Sie eine Beispielantwort.


{
    "DatasetImportJobArn": "arn:aws:forecast:us-west-2:acct-id:dataset-import-job/electricity_demand_ds/electricity_ds_import_job"
}

Weitere Informationen zu dieser Operation finden Sie im Abschnitt CreateDatasetImportJob.

Überprüfen Sie den Status des Imports.


aws forecast describe-dataset-import-job \
--dataset-import-job-arn arn:aws:forecast:us-west-2:acct-id:dataset-import-job/electricity_demand_ds/electricity_ds_import_job

Nachfolgend finden Sie eine Beispielantwort.


{
    "DatasetImportJobName": "electricity_ds_import_job",
    "DatasetImportJobArn": "arn:aws:forecast:us-west-2:acct-id:dataset-import-job/electricity_demand_ds/electricity_ds_import_job",
    "DatasetArn": "arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds",
    "DataSource": {
        "S3Config": {
            "Path": "s3://bucket/electricityusagedata.csv",
            "RoleArn": "arn:aws:iam::acct-id:role/ForecastRole"
        }
    },
    "DataSize": 0.14639010466635227,
    "TimeStampFormat": "yyyy-MM-dd HH:mm:ss",
    "CreationTime":  1564537011.114,
    "LastModificationTime": 1564537028.223,
    "Status": "CREATE_IN_PROGRESS"
}

Wenn alle Daten importiert wurden, ändert sich der Status in ACTIVE und die Antwort enthält Statistiken für die Daten, wie im folgenden Beispiel gezeigt.


{
    "DatasetArn": "arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds",
    "Status": "ACTIVE",
    "FieldStatistics": {
        "date": {
            "Min": "2014-01-01T01:00:00Z",
            "Max": "2015-01-01T00:00:00Z",
            "Count": 3241200,
            "CountDistinct": 8760,
            "CountNull": 0
        },
        "target": {
            "Min": "0.0",
            "Max": "168200.0",
            "Avg": 606.5167610461679,
            "Stddev": 3518.405223972031,
            "Count": 3241200,
            "CountDistinct": 1196961,
            "CountNull": 0,
            "CountNan": 0
        },
        "item": {
            "Count": 3241200,
            "CountDistinct": 370,
            "CountNull": 0
        }
    },
    ...
}

Wichtig

Sie müssen warten, bis der Status ACTIVE lautet, bevor Sie einen Predictor mit der Dataset-Gruppe erstellen.

Weitere Informationen zu dieser Operation finden Sie im Abschnitt DescribeDatasetImportJob.

Schritt 1: Importieren von Schulungsdaten

Erstellen Sie zunächst ein Dataset und importieren Sie die Stromverbrauchsdaten darin.

So erstellen Sie ein Amazon Forecast-Dataset

Entscheiden Sie, welche Domäne und welcher Dataset-Typ geeignet ist.

Welche Domäne und welchen Typ Sie für Ihr Dataset auswählen, ist abhängig von den Schulungsdaten, die Sie in das Dataset importieren. Sehen wir uns daher zunächst einige Beispielzeilen der Stromverbrauchsdaten an:
```
2014-01-01 01:00:00,   2.53807106598985, client_0
2014-01-01 01:00:00, 23.648648648648624, client_1
2014-01-01 02:00:00,  9.648648648612345, client_0 
```
Das Dateiformat ist CSV (durch Komma getrennte Werte) und die Daten werden stündlich erfasst (erkennbar an den Zeitstempeln). Die Datei enthält die folgenden Spalten:
- Spalte 1 — Zeitstempel, die angeben, wann der Stromverbrauch aufgezeichnet wurde.
- Spalte 2 — Stündliche Stromverbrauchswerte (beachten Sie, wie die Zeitstempelwerte mit jeder Stunde steigen).
- Spalte 3 — Kunden-ID-Werte, anhand derer die Kunden identifiziert werden, die den Strom verbrauchen.
Wählen Sie für diese Daten die folgenden vordefinierten Werte für Domäne und Typ des Datasets aus:
- Benutzerdefinierte Domain — Keine der Datensatzdomänen, wie METRICS, RETAIL oder WEB_TRAFFIC, gilt für diese Daten. Wählen Sie daher die benutzerdefinierte Domain.
- Zielzeitreihentyp — Bei den Daten handelt es sich um eine Zeitreihe, da sie den Stromverbrauch im Laufe der Zeit verfolgen. Die Daten enthalten auch das Ziel, für das eine Prognose erstellt werden soll (Spalte 2, Stromverbrauch). Wählen Sie daher den Ziel-Zeitreihen-Dataset-Typ aus.
  
  Eine Erläuterung zur Auswahl dieses Typs finden Sie unter Vordefinierte Dataset-Domänen und Dataset-Typen.
Legen Sie ein Dataset-Schema fest.

Der Ziel-Zeitreihentyp für die CUSTOM-Domäne hat folgende Pflichtfelder: timestamp, target_value und item_id. Das target_value Feld ist das Ziel. Amazon Forecast generiert die Prognose für dieses Feld.

Um die erforderlichen Felder den Spalten in Ihren Daten zuzuordnen, erstellen Sie ein Schema. Jedes Attribut im Schema entspricht einem Feld in den Daten.

Wichtig
Die Reihenfolge der Attribute im Schema muss mit der Reihenfolge der Felder in den Schulungsdaten übereinstimmen.
```
{
  "Attributes":[
    {
       "AttributeName": "timestamp",
       "AttributeType": "timestamp"
    },
    {
       "AttributeName": "target_value",
       "AttributeType": "float"
    },
    {
       "AttributeName": "item_id",
       "AttributeType": "string"
    }
  ]
}
```
Jetzt haben Sie alle Informationen, die Sie brauchen, um ein Dataset zu erstellen und Daten darin zu importieren.

Erstellen Sie das Dataset.


aws forecast create-dataset \
--dataset-name electricity_demand_ds \
--domain CUSTOM \
--dataset-type TARGET_TIME_SERIES \
--data-frequency H \
--schema '{
  "Attributes": [
    {
      "AttributeName": "timestamp",
      "AttributeType": "timestamp"
    },
    {
      "AttributeName": "target_value",
      "AttributeType": "float"
    },
    {
      "AttributeName": "item_id",
      "AttributeType": "string"
    }
  ]
}'

Der data-frequency-Wert H in der Anforderung gibt an, dass die Datenerfassung stündlich erfolgt. Nachfolgend finden Sie eine Beispielantwort.


{
    "DatasetArn": "arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds"
}

Weitere Informationen zu dieser Operation finden Sie im Abschnitt CreateDataset.

(Optional) Rufen Sie die Beschreibung des Datasets ab.


aws forecast describe-dataset \
--dataset-arn arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds

Nachfolgend finden Sie eine Beispielantwort.


{
    "DatasetName": "electricity_demand_ds",
    "DatasetArn": "arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds",
    "CreationTime": 1564533087.907,
    "LastModificationTime": 1564533087.907,
    "Domain": "CUSTOM",
    "DatasetType": "TARGET_TIME_SERIES",
    "DataFrequency": "H",
    "Schema": { ... },
    "EncryptionConfig": {},
    "Status": "ACTIVE"
}

Anmerkung

Die Reihenfolge der Schlüssel-Wert-Paare in der Antwort ist beliebig.

Erstellen Sie eine Dataset-Gruppe und fügen Sie ihr das Dataset hinzu: Der Wert des domain-Parameters muss mit der domain des Datasets übereinstimmen.


aws forecast create-dataset-group \
--dataset-group-name electricity_ds_group \
--dataset-arns arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds \
--domain CUSTOM

Nachfolgend finden Sie eine Beispielantwort.


{
    "DatasetGroupArn": "arn:aws:forecast:us-west-2:acct-id:dataset-group/electricity_ds_group"
}

Weitere Informationen zu dieser Operation finden Sie im Abschnitt CreateDatasetGroup.

(Optional) Rufen Sie die Beschreibung der Dataset-Gruppe ab.


aws forecast describe-dataset-group \
--dataset-group-arn arn:aws:forecast:us-west-2:acct-id:dataset-group/electricity_ds_group

Nachfolgend finden Sie eine Beispielantwort.


{
    "DatasetGroupName": "electricity_ds_group",
    "DatasetGroupArn": "arn:aws:forecast:us-west-2:acct-id:dataset-group/electricity_ds_group",
    "DatasetArns": [
        "arn:aws:forecast:us-west-2:acct-id:dataset-group/electricity_ds_group"
    ],
    "Domain": "CUSTOM",
    "CreationTime": 1564533719.852,
    "LastModificationTime": 1564533719.852,
    "Status": "ACTIVE"
}


aws forecast create-dataset-import-job \
--dataset-arn arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds \
--dataset-import-job-name electricity_ds_import_job \
--data-source '{
    "S3Config": {
      "Path": "s3://bucket/electricityusagedata.csv",
      "RoleArn": "arn:aws:iam::acct-id:role/Role"
    }
  }'

Nachfolgend finden Sie die Syntax-Kurzschrift für den data-source-Parameter.


--data-source S3Config="{Path='s3://bucket/electricityusagedata.csv',RoleArn='arn:aws:iam::acct-id:role/Role'}"

Nachfolgend finden Sie eine Beispielantwort.


{
    "DatasetImportJobArn": "arn:aws:forecast:us-west-2:acct-id:dataset-import-job/electricity_demand_ds/electricity_ds_import_job"
}

Weitere Informationen zu dieser Operation finden Sie im Abschnitt CreateDatasetImportJob.

Überprüfen Sie den Status des Imports.


aws forecast describe-dataset-import-job \
--dataset-import-job-arn arn:aws:forecast:us-west-2:acct-id:dataset-import-job/electricity_demand_ds/electricity_ds_import_job

Nachfolgend finden Sie eine Beispielantwort.


{
    "DatasetImportJobName": "electricity_ds_import_job",
    "DatasetImportJobArn": "arn:aws:forecast:us-west-2:acct-id:dataset-import-job/electricity_demand_ds/electricity_ds_import_job",
    "DatasetArn": "arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds",
    "DataSource": {
        "S3Config": {
            "Path": "s3://bucket/electricityusagedata.csv",
            "RoleArn": "arn:aws:iam::acct-id:role/ForecastRole"
        }
    },
    "DataSize": 0.14639010466635227,
    "TimeStampFormat": "yyyy-MM-dd HH:mm:ss",
    "CreationTime":  1564537011.114,
    "LastModificationTime": 1564537028.223,
    "Status": "CREATE_IN_PROGRESS"
}

Wenn alle Daten importiert wurden, ändert sich der Status in ACTIVE und die Antwort enthält Statistiken für die Daten, wie im folgenden Beispiel gezeigt.


{
    "DatasetArn": "arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds",
    "Status": "ACTIVE",
    "FieldStatistics": {
        "date": {
            "Min": "2014-01-01T01:00:00Z",
            "Max": "2015-01-01T00:00:00Z",
            "Count": 3241200,
            "CountDistinct": 8760,
            "CountNull": 0
        },
        "target": {
            "Min": "0.0",
            "Max": "168200.0",
            "Avg": 606.5167610461679,
            "Stddev": 3518.405223972031,
            "Count": 3241200,
            "CountDistinct": 1196961,
            "CountNull": 0,
            "CountNan": 0
        },
        "item": {
            "Count": 3241200,
            "CountDistinct": 370,
            "CountNull": 0
        }
    },
    ...
}

Wichtig

Sie müssen warten, bis der Status ACTIVE lautet, bevor Sie einen Predictor mit der Dataset-Gruppe erstellen.

Weitere Informationen zu dieser Operation finden Sie im Abschnitt DescribeDatasetImportJob.

Verwenden Sie zum Erstellen eines Predictors die Operation CreateAutoPredictor und geben Sie die folgenden Informationen an.

Prädiktorname — Geben Sie dem Prädiktor einen Namen, damit Sie ihn von Ihren anderen Prädiktoren unterscheiden können
Datensatzgruppe — Sie haben die Datensatzgruppe im vorherigen Schritt erstellt.
Prognosehäufigkeit — Die Granularität Ihrer Prognosen (stündlich, täglich, wöchentlich usw.).
Prognosehorizont — Die Anzahl der prognostizierten Zeitschritte.

Nachdem der Prädiktor erstellt wurde, überprüfen Sie die von Amazon Forecast generierten Genauigkeitsmetriken. Mithilfe der Metriken können Sie entscheiden, ob Sie den Predictor zum Erstellen einer Prognose verwenden möchten. Weitere Informationen zu Predictors finden Sie in Prädiktoren für das Training.

Erstellen eines Predictors und Überprüfen der Genauigkeitsmetriken

Erstellen Sie den Predictor.


aws forecast create-predictor \
--predictor-name electricitypredictor \
--input-data-config DatasetGroupArn="arn:aws:forecast:us-west-2:acct-id:dsgroup/electricity_ds_group" \
--forecast-horizon 36 \
--forecast-frequency D

Nachfolgend finden Sie eine Beispielantwort.


{
    "PredictorArn": "arn:aws:forecast:us-west-2:acct-id:predictor/electricitypredictor"
}

Rufen Sie den Status des Predictors ab.


aws forecast describe-predictor \
--predictor-arn arn:aws:forecast:us-west-2:acct-id:predictor/electricitypredictor

Nachfolgend finden Sie eine Beispielantwort.


{
    "PredictorArn": "arn:aws:forecast:<region>:<acct-num>:predictor/electricitypredictor",
    "PredictorName": "electricitypredictor",
    "ForecastHorizon": 36,
    "ForecastTypes": [
        "0.1",
        "0.5",
        "0.9"
    ],
    "ForecastFrequency": "D",
    "DatasetImportJobArns": [
        "arn:aws:forecast:<region>:<acct-num>:dataset-import-job/getting_started_dataset/gs_import"
    ],
    "DataConfig": {
        "DatasetGroupArn": "arn:aws:forecast:<region>:<acct-num>:dataset-group/getting_started",
        "AttributeConfigs": [
            {
                "AttributeName": "target_value",
                "Transformations": {
                    "aggregation": "sum",
                    "backfill": "zero",
                    "frontfill": "none",
                    "middlefill": "zero"
                }
            }
        ]
    },
    "EstimatedTimeRemainingInMinutes": 97,
    "Status": "CREATE_IN_PROGRESS",
    "CreationTime": "2022-02-23T09:26:24.643000-08:00",
    "LastModificationTime": "2022-02-23T09:49:26.899000-08:00",
    "ExplainabilityInfo": {
        "Status": "NOT_AVAILABLE"
    }
}

Wichtig

Die Modellschulung nimmt einige Zeit in Anspruch. Fahren Sie erst fort, wenn die Schulung abgeschlossen ist und der Status des Predictors zu ACTIVE gewechselt hat.

Rufen Sie die Genauigkeitsmetriken für den Predictor ab.


aws forecast get-accuracy-metrics \
--predictor-arn arn:aws:forecast:us-west-2:acct-id:predictor/electricitypredictor

Nachfolgend finden Sie eine Beispielantwort.


{
    "PredictorEvaluationResults": [
        {
            "TestWindows": [
                {
                    "EvaluationType": "SUMMARY",
                    "Metrics": {
                        "RMSE": 448.19602551622864,
                        "WeightedQuantileLosses": [
                            {
                                "Quantile": 0.9,
                                "LossValue": 0.11574311406253326
                            },
                            {
                                "Quantile": 0.5,
                                "LossValue": 0.1706269067283527
                            },
                            {
                                "Quantile": 0.1,
                                "LossValue": 0.11724164222477837
                            }
                        ]
                    }
                },
                {
                    "EvaluationType": "COMPUTED",
                    "Metrics": {
                        "RMSE": 448.19602551622864,
                        "WeightedQuantileLosses": [
                            {
                                "Quantile": 0.9,
                                "LossValue": 0.11574311406253326
                            },
                            {
                                "Quantile": 0.5,
                                "LossValue": 0.1706269067283527
                            },
                            {
                                "Quantile": 0.1,
                                "LossValue": 0.11724164222477837
                            }
                        ]
                    },
                    "TestWindowEnd":   1420070400.0,
                    "TestWindowStart": 1420002000.0
                }
            ]
        }
    ]
}

Die Metriken zeigen den Fehlerverlust für jedes Quantil. Beispielsweise gab es einen Fehler von 11,7 % für das erste Quantil. Die Metriken zeigen auch den root-mean-square Fehler (RMSE).

Die zusammenfassenden Metriken zeigen den Durchschnitt der berechneten Metriken über alle Testfenster an. Da es nur ein Testfenster gab, sind die zusammenfassenden und berechneten Metriken gleich.

Weitere Informationen zu dieser Operation finden Sie im Abschnitt GetAccuracyMetrics.

Schritt 2: Erstellen eines Predictors

Verwenden Sie zum Erstellen eines Predictors die Operation CreateAutoPredictor und geben Sie die folgenden Informationen an.

Prädiktorname — Geben Sie dem Prädiktor einen Namen, damit Sie ihn von Ihren anderen Prädiktoren unterscheiden können
Datensatzgruppe — Sie haben die Datensatzgruppe im vorherigen Schritt erstellt.
Prognosehäufigkeit — Die Granularität Ihrer Prognosen (stündlich, täglich, wöchentlich usw.).
Prognosehorizont — Die Anzahl der prognostizierten Zeitschritte.

Erstellen eines Predictors und Überprüfen der Genauigkeitsmetriken

Erstellen Sie den Predictor.


aws forecast create-predictor \
--predictor-name electricitypredictor \
--input-data-config DatasetGroupArn="arn:aws:forecast:us-west-2:acct-id:dsgroup/electricity_ds_group" \
--forecast-horizon 36 \
--forecast-frequency D

Nachfolgend finden Sie eine Beispielantwort.


{
    "PredictorArn": "arn:aws:forecast:us-west-2:acct-id:predictor/electricitypredictor"
}

Rufen Sie den Status des Predictors ab.


aws forecast describe-predictor \
--predictor-arn arn:aws:forecast:us-west-2:acct-id:predictor/electricitypredictor

Nachfolgend finden Sie eine Beispielantwort.


{
    "PredictorArn": "arn:aws:forecast:<region>:<acct-num>:predictor/electricitypredictor",
    "PredictorName": "electricitypredictor",
    "ForecastHorizon": 36,
    "ForecastTypes": [
        "0.1",
        "0.5",
        "0.9"
    ],
    "ForecastFrequency": "D",
    "DatasetImportJobArns": [
        "arn:aws:forecast:<region>:<acct-num>:dataset-import-job/getting_started_dataset/gs_import"
    ],
    "DataConfig": {
        "DatasetGroupArn": "arn:aws:forecast:<region>:<acct-num>:dataset-group/getting_started",
        "AttributeConfigs": [
            {
                "AttributeName": "target_value",
                "Transformations": {
                    "aggregation": "sum",
                    "backfill": "zero",
                    "frontfill": "none",
                    "middlefill": "zero"
                }
            }
        ]
    },
    "EstimatedTimeRemainingInMinutes": 97,
    "Status": "CREATE_IN_PROGRESS",
    "CreationTime": "2022-02-23T09:26:24.643000-08:00",
    "LastModificationTime": "2022-02-23T09:49:26.899000-08:00",
    "ExplainabilityInfo": {
        "Status": "NOT_AVAILABLE"
    }
}

Wichtig

Die Modellschulung nimmt einige Zeit in Anspruch. Fahren Sie erst fort, wenn die Schulung abgeschlossen ist und der Status des Predictors zu ACTIVE gewechselt hat.

Rufen Sie die Genauigkeitsmetriken für den Predictor ab.


aws forecast get-accuracy-metrics \
--predictor-arn arn:aws:forecast:us-west-2:acct-id:predictor/electricitypredictor

Nachfolgend finden Sie eine Beispielantwort.


{
    "PredictorEvaluationResults": [
        {
            "TestWindows": [
                {
                    "EvaluationType": "SUMMARY",
                    "Metrics": {
                        "RMSE": 448.19602551622864,
                        "WeightedQuantileLosses": [
                            {
                                "Quantile": 0.9,
                                "LossValue": 0.11574311406253326
                            },
                            {
                                "Quantile": 0.5,
                                "LossValue": 0.1706269067283527
                            },
                            {
                                "Quantile": 0.1,
                                "LossValue": 0.11724164222477837
                            }
                        ]
                    }
                },
                {
                    "EvaluationType": "COMPUTED",
                    "Metrics": {
                        "RMSE": 448.19602551622864,
                        "WeightedQuantileLosses": [
                            {
                                "Quantile": 0.9,
                                "LossValue": 0.11574311406253326
                            },
                            {
                                "Quantile": 0.5,
                                "LossValue": 0.1706269067283527
                            },
                            {
                                "Quantile": 0.1,
                                "LossValue": 0.11724164222477837
                            }
                        ]
                    },
                    "TestWindowEnd":   1420070400.0,
                    "TestWindowStart": 1420002000.0
                }
            ]
        }
    ]
}

Die Metriken zeigen den Fehlerverlust für jedes Quantil. Beispielsweise gab es einen Fehler von 11,7 % für das erste Quantil. Die Metriken zeigen auch den root-mean-square Fehler (RMSE).

Die zusammenfassenden Metriken zeigen den Durchschnitt der berechneten Metriken über alle Testfenster an. Da es nur ein Testfenster gab, sind die zusammenfassenden und berechneten Metriken gleich.

Weitere Informationen zu dieser Operation finden Sie im Abschnitt GetAccuracyMetrics.

Amazon Forecast erstellt für jedes einzelne item_id Objekt im Datensatz eine Prognose für das target_value Feld (abhängig von der Datensatzdomäne und dem Dataset-Typ). In dieser Übung gibt das target_value Feld den Stromverbrauch und das Feld den item_id Kunden an IDs. Sie erhalten eine Prognose für den stündlichen Stromverbrauch pro Kunde.

Nachdem die Prognose erstellt wurde, können Sie ein einzelnes Element abfragen oder die vollständige Prognose exportieren.

Erstellen, Abrufen und Exportieren einer Prognose

Erstellen Sie die Prognose.
```
aws forecast create-forecast \
--forecast-name electricityforecast \
--predictor-arn arn:aws:forecast:us-west-2:acct-id:predictor/electricitypredictor
```
Die Operation verwendet den Predictor zum Erstellen einer Prognose. In der Antwort erhalten Sie den Amazon-Ressourcennamen (ARN) der Prognose. Sie verwenden diesen ARN zum Abrufen und Exportieren der Prognose. Nachfolgend finden Sie eine Beispielantwort.
```
{
    "ForecastArn": "arn:aws:forecast:us-west-2:acct-id:forecast/electricityforecast"
}
```
Weitere Informationen zu dieser Operation finden Sie im Abschnitt CreateForecast.

Rufen Sie die ersten zwei Stunden der Prognose für client_1 ab.

Anmerkung

Der Servicename forecastquery unterscheidet sich von dem Servicenamen, der an anderer Stelle verwendet wird.


aws forecastquery query-forecast \
--forecast-arn arn:aws:forecast:us-west-2:acct-id:forecast/electricityforecast \
--start-date 2015-01-01T00:00:00 \
--end-date   2015-01-01T02:00:00 \
--filters '{"item_id":"client_1"}'

Die Operation enthält die folgenden Parameter.

start-dateund end-date — Gibt einen optionalen Datumsbereich an, für den die Prognose abgerufen werden soll. Wenn Sie diese Parameter nicht angeben, wird die gesamte Prognose für client_1 zurückgegeben.
filters— Gibt den item_id Filter an, für den die Stromprognose abgerufen werden sollclient_1.

Nachfolgend finden Sie die Syntax-Kurzschrift für den filters-Parameter.
```
--filters item_id="client_1"
```

Nachfolgend finden Sie eine Beispielantwort.


{
    "Forecast": {
        "Predictions": {
            "mean": [
                {
                    "Timestamp": "2015-01-01T01:00:00",
                    "Value": 20.952411651611328
                },
                {
                    "Timestamp": "2015-01-01T02:00:00",
                    "Value": 19.11078453063965
                }
            ],
            "p90": [
                {
                    "Timestamp": "2015-01-01T01:00:00",
                    "Value": 24.524038314819336
                },
                {
                    "Timestamp": "2015-01-01T02:00:00",
                    "Value": 22.319091796875
                }
            ],
            "p50": [
                {
                    "Timestamp": "2015-01-01T01:00:00",
                    "Value": 20.7841739654541
                },
                {
                    "Timestamp": "2015-01-01T02:00:00",
                    "Value": 19.237524032592773
                }
            ],
            "p10": [
                {
                    "Timestamp": "2015-01-01T01:00:00",
                    "Value": 18.507278442382812
                },
                {
                    "Timestamp": "2015-01-01T02:00:00",
                    "Value": 16.15062141418457
                }
            ]
        }
    }
}

Da es sich hierbei um eine stündliche Prognose handelt, werden stündliche Prognosewerte angezeigt. In der Antwort ist Folgendes zu beachten:

mean— Für das spezifische Datum und die Uhrzeit entspricht der Mittelwert dem prognostizierten durchschnittlichen Stromverbrauch des Kunden.
p90p50, und p10 — Geben Sie das Konfidenzniveau an, dass der tatsächliche Wert zum angegebenen Datum und zur angegebenen Uhrzeit unter dem angegebenen Wert liegen wird. Zum Beispiel ist Amazon Forecast am 01.01.2015 um 01:00:00 Uhr zu 90% davon überzeugt, dass der Stromverbrauch unter 24,5 liegen wird. Amazon Forecast ist zu 50% zuversichtlich, dass die Nutzung unter 20,8 liegen wird, und zu 10% davon, dass die Nutzung unter 18,5 liegen wird.

Weitere Informationen zu dieser Operation finden Sie im Abschnitt QueryForecast.

Exportieren Sie die vollständige Prognose in Ihren Amazon S3 S3-Bucket. Die von Ihnen angegebene IAM-Rolle muss über die Berechtigung verfügen, Daten in Ihren S3-Bucket zu schreiben. Informationen zum Erstellen einer IAM-Rolle finden Sie unter. Erstellen Sie eine IAM-Rolle für Amazon Forecast ()AWS CLI

Erstellen Sie einen Exportauftrag für die Prognose.
```
aws forecast create-forecast-export-job \
--forecast-export-job-name electricityforecast_exportjob \
--forecast-arn arn:aws:forecast:us-west-2:acct-id:forecast/electricityforecast \
--destination S3Config="{Path='s3://bucket',RoleArn='arn:aws:iam::acct-id:role/Role'}"
```
Nachfolgend finden Sie eine Beispielantwort.
```
{
   "ForecastExportJobArn": "arn:aws:forecast::us-west-2:acct-id:forecast-export/64bbc087"
}
```
Weitere Informationen zu dieser Operation finden Sie im Abschnitt CreateForecastExportJob.

Rufen Sie den Status des Exportauftrags ab.


aws forecast describe-forecast-export-job \
--forecast-export-job-arn arn:aws:forecast:us-west-2:acct-id:forecast/electricityforecast

Nachfolgend finden Sie eine Beispielantwort.


{
    "ForecastExportJobArn": "arn:aws:forecast::us-west-2:acct-id:forecast-export/64bbc087",
    "ForecastExportJobName": "electricityforecast_exportjob",
    "Status": "CREATE_IN_PROGRESS"
}

Wenn der Status ACTIVE lautet, finden Sie die Prognosedateien im angegebenen S3-Bucket.

Schritt 3: Erstellen einer Prognose

Nachdem die Prognose erstellt wurde, können Sie ein einzelnes Element abfragen oder die vollständige Prognose exportieren.

Erstellen, Abrufen und Exportieren einer Prognose

Erstellen Sie die Prognose.
```
aws forecast create-forecast \
--forecast-name electricityforecast \
--predictor-arn arn:aws:forecast:us-west-2:acct-id:predictor/electricitypredictor
```
Die Operation verwendet den Predictor zum Erstellen einer Prognose. In der Antwort erhalten Sie den Amazon-Ressourcennamen (ARN) der Prognose. Sie verwenden diesen ARN zum Abrufen und Exportieren der Prognose. Nachfolgend finden Sie eine Beispielantwort.
```
{
    "ForecastArn": "arn:aws:forecast:us-west-2:acct-id:forecast/electricityforecast"
}
```
Weitere Informationen zu dieser Operation finden Sie im Abschnitt CreateForecast.

Rufen Sie die ersten zwei Stunden der Prognose für client_1 ab.

Anmerkung

Der Servicename forecastquery unterscheidet sich von dem Servicenamen, der an anderer Stelle verwendet wird.


aws forecastquery query-forecast \
--forecast-arn arn:aws:forecast:us-west-2:acct-id:forecast/electricityforecast \
--start-date 2015-01-01T00:00:00 \
--end-date   2015-01-01T02:00:00 \
--filters '{"item_id":"client_1"}'

Die Operation enthält die folgenden Parameter.

start-dateund end-date — Gibt einen optionalen Datumsbereich an, für den die Prognose abgerufen werden soll. Wenn Sie diese Parameter nicht angeben, wird die gesamte Prognose für client_1 zurückgegeben.
filters— Gibt den item_id Filter an, für den die Stromprognose abgerufen werden sollclient_1.

Nachfolgend finden Sie die Syntax-Kurzschrift für den filters-Parameter.
```
--filters item_id="client_1"
```

Nachfolgend finden Sie eine Beispielantwort.


{
    "Forecast": {
        "Predictions": {
            "mean": [
                {
                    "Timestamp": "2015-01-01T01:00:00",
                    "Value": 20.952411651611328
                },
                {
                    "Timestamp": "2015-01-01T02:00:00",
                    "Value": 19.11078453063965
                }
            ],
            "p90": [
                {
                    "Timestamp": "2015-01-01T01:00:00",
                    "Value": 24.524038314819336
                },
                {
                    "Timestamp": "2015-01-01T02:00:00",
                    "Value": 22.319091796875
                }
            ],
            "p50": [
                {
                    "Timestamp": "2015-01-01T01:00:00",
                    "Value": 20.7841739654541
                },
                {
                    "Timestamp": "2015-01-01T02:00:00",
                    "Value": 19.237524032592773
                }
            ],
            "p10": [
                {
                    "Timestamp": "2015-01-01T01:00:00",
                    "Value": 18.507278442382812
                },
                {
                    "Timestamp": "2015-01-01T02:00:00",
                    "Value": 16.15062141418457
                }
            ]
        }
    }
}

Da es sich hierbei um eine stündliche Prognose handelt, werden stündliche Prognosewerte angezeigt. In der Antwort ist Folgendes zu beachten:

mean— Für das spezifische Datum und die Uhrzeit entspricht der Mittelwert dem prognostizierten durchschnittlichen Stromverbrauch des Kunden.
p90p50, und p10 — Geben Sie das Konfidenzniveau an, dass der tatsächliche Wert zum angegebenen Datum und zur angegebenen Uhrzeit unter dem angegebenen Wert liegen wird. Zum Beispiel ist Amazon Forecast am 01.01.2015 um 01:00:00 Uhr zu 90% davon überzeugt, dass der Stromverbrauch unter 24,5 liegen wird. Amazon Forecast ist zu 50% zuversichtlich, dass die Nutzung unter 20,8 liegen wird, und zu 10% davon, dass die Nutzung unter 18,5 liegen wird.

Weitere Informationen zu dieser Operation finden Sie im Abschnitt QueryForecast.

Exportieren Sie die vollständige Prognose in Ihren Amazon S3 S3-Bucket. Die von Ihnen angegebene IAM-Rolle muss über die Berechtigung verfügen, Daten in Ihren S3-Bucket zu schreiben. Informationen zum Erstellen einer IAM-Rolle finden Sie unter. Erstellen Sie eine IAM-Rolle für Amazon Forecast ()AWS CLI

Erstellen Sie einen Exportauftrag für die Prognose.
```
aws forecast create-forecast-export-job \
--forecast-export-job-name electricityforecast_exportjob \
--forecast-arn arn:aws:forecast:us-west-2:acct-id:forecast/electricityforecast \
--destination S3Config="{Path='s3://bucket',RoleArn='arn:aws:iam::acct-id:role/Role'}"
```
Nachfolgend finden Sie eine Beispielantwort.
```
{
   "ForecastExportJobArn": "arn:aws:forecast::us-west-2:acct-id:forecast-export/64bbc087"
}
```
Weitere Informationen zu dieser Operation finden Sie im Abschnitt CreateForecastExportJob.

Rufen Sie den Status des Exportauftrags ab.


aws forecast describe-forecast-export-job \
--forecast-export-job-arn arn:aws:forecast:us-west-2:acct-id:forecast/electricityforecast

Nachfolgend finden Sie eine Beispielantwort.


{
    "ForecastExportJobArn": "arn:aws:forecast::us-west-2:acct-id:forecast-export/64bbc087",
    "ForecastExportJobName": "electricityforecast_exportjob",
    "Status": "CREATE_IN_PROGRESS"
}

Wenn der Status ACTIVE lautet, finden Sie die Prognosedateien im angegebenen S3-Bucket.

Warnung JavaScript ist in Ihrem Browser nicht verfügbar oder deaktiviert.

Zur Nutzung der AWS-Dokumentation muss JavaScript aktiviert sein. Weitere Informationen finden auf den Hilfe-Seiten Ihres Browsers.

Dokumentkonventionen

Erste Schritte (Konsole)

Erste Schritte (Python Notebooks)

Nächstes Thema:

Erste Schritte (Python Notebooks)

Vorheriges Thema:

Erste Schritte (Konsole)

Brauchen Sie Hilfe?

Hat Ihnen diese Seite geholfen?

Feedback geben

Datenschutz Nutzungsbedingungen für die Website Cookie-Einstellungen

Wählen Sie Ihre Cookie-Einstellungen aus

Cookie-Einstellungen anpassen

Essenziell

Leistung

Funktional

Werbung

Cookie-Einstellungen konnten nicht gespeichert werden

Erste Schritte (AWS CLI)

Anmerkung

So erstellen Sie ein Amazon Forecast-Dataset

Wichtig

Anmerkung

Wichtig

Schritt 1: Importieren von Schulungsdaten

So erstellen Sie ein Amazon Forecast-Dataset

Wichtig

Anmerkung

Wichtig

Erstellen eines Predictors und Überprüfen der Genauigkeitsmetriken

Wichtig

Schritt 2: Erstellen eines Predictors

Erstellen eines Predictors und Überprüfen der Genauigkeitsmetriken

Wichtig

Erstellen, Abrufen und Exportieren einer Prognose

Anmerkung

Schritt 3: Erstellen einer Prognose

Erstellen, Abrufen und Exportieren einer Prognose

Anmerkung

Nächstes Thema:

Vorheriges Thema:

Brauchen Sie Hilfe?

Hat Ihnen diese Seite geholfen?