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.

Datensätze importieren

Datasets enthalten die Daten, die zum Trainieren eines Predictors verwendet werden. Sie erstellen einen oder mehrere Amazon Forecast-Datensätze und importieren Ihre Trainingsdaten in diese. Eine Datensatzgruppe ist eine Sammlung von ergänzenden Datensätzen, in denen eine Reihe sich ändernder Parameter über einen Zeitraum detailliert beschrieben wird. Nachdem Sie eine Dataset-Gruppe erstellt haben, verwenden Sie sie zum Schulen eines Predictors.

Jede Dataset-Gruppe kann bis zu drei Datasets enthalten, eines von jedem Dataset-Typ: Ziel-Zeitreihen, verwandte Zeitreihen und Artikel-Metadaten.

Um Prognose-Datensätze und Datensatzgruppen zu erstellen und zu verwalten, können Sie die Prognose-Konsole AWS Command Line Interface (AWS CLI) oder AWS das SDK verwenden.

Ein Beispiel für Prognose-Datensätze finden Sie im Amazon GitHub Forecast-Beispiel-Repository.

Datensätze

Um Prognose-Datensätze zu erstellen und zu verwalten, können Sie die Forecast-APIs verwenden, einschließlich der Operationen CreateDataset undDescribeDataset. Eine vollständige Liste der Prognose-APIs finden Sie unterAPI-Referenz.

Beim Erstellen eines Datasets geben Sie u. a. folgende Informationen an:

Jede Spalte in Ihrem Prognose-Dataset stellt entweder eine Prognosedimension oder ein Feature dar. Prognosedimensionen beschreiben die Aspekte Ihrer Daten, die sich im Laufe der Zeit nicht ändern, z. B. store oder location Prognosefunktionen enthalten alle Parameter in Ihren Daten, die im Laufe der Zeit variieren, z. B. price oder promotion. Einige Dimensionen, z. B. timestamp oder itemId, sind in Ziel-Zeitreihen-Datasets und Datasets verwandter Zeitreihen erforderlich.

Dataset-Domänen und Dataset-Typen

Wenn Sie einen Prognosedatensatz erstellen, wählen Sie eine Domäne und einen Datensatztyp aus. Forecast stellt Domänen für eine Reihe von Anwendungsfällen bereit, z. B. für die Prognose der Einzelhandelsnachfrage oder des Internetverkehrs. Sie können auch eine benutzerdefinierte Domäne erstellen. Eine vollständige Liste der Forecast-Domains finden Sie unterVordefinierte Dataset-Domänen und Dataset-Typen.

In jeder Domain können Forecast-Benutzer die folgenden Arten von Datensätzen angeben:

Abhängig von den Informationen in Ihren Schulungsdaten und dem, was Sie prognostizieren möchten, können Sie mehr als ein Dataset erstellen.

Angenommen, Sie möchten eine Prognose für die Nachfrage nach Einzelhandelsartikeln wie Schuhe, Socken usw. erstellen. Es bietet sich an, die folgenden Datasets in der RETAIL-Domäne zu erstellen:

Beispiel-Dataset mit einer Prognosedimension

Stellen Sie sich in Anlehnung an das vorherige Beispiel vor, dass Sie die Nachfrage nach Schuhen und Socken basierend auf den vorherigen Verkäufen in einem Geschäft prognostizieren möchten. Im folgenden Ziel-Zeitreihen-Dataset ist store eine Zeitreihen-Prognosedimension, während demand das Zielfeld ist. Socks werden in zwei Filialen (NYC und SFO) verkauft, und Schuhe werden nur in ORD verkauft.

Die ersten drei Zeilen dieser Tabelle enthalten die ersten verfügbaren Verkaufsdaten für die NYC-, SFO- und ORD-Filialen. Die letzten drei Zeilen enthalten die zuletzt aufgezeichneten Verkaufsdaten für jede Filiale. Die Zeile ... stellt alle Artikelverkaufsdaten dar, die zwischen dem ersten und dem letzten Eintrag aufgezeichnet wurden.

Dataset-Schema

Jedes Dataset erfordert ein Schema, d. h. eine vom Benutzer bereitgestellte JSON-Zuweisung der Felder in Ihren Schulungsdaten. Hier listen Sie sowohl die erforderlichen als auch die optionalen Dimensionen und Funktionen auf, die Sie in Ihr Dataset aufnehmen möchten.

Wenn Ihr Datensatz ein Geolocation-Attribut enthält, definieren Sie das Attribut im Schema mit dem Attributtyp. geolocation Weitere Informationen finden Sie unter Hinzufügen von Geolocation-Informationen. Um den Wetterindex anzuwenden, müssen Sie ein Geolocation-Attribut in Ihre Zielzeitreihe und alle zugehörigen Zeitreihen-Datensätze aufnehmen.

Einige Domänen haben optionale Dimensionen, die wir empfehlen, einzubeziehen. Optionale Dimensionen werden in den Beschreibungen der einzelnen Domänen weiter unten in dieser Anleitung aufgeführt. Ein Beispiel finden Sie unter RETAIL-Domäne. Alle optionalen Dimensionen nehmen den Datentyp string an.

Für jedes Dataset ist ein Schema erforderlich. Im Folgenden finden Sie das zugehörige Schema für das obige Zielzeitreihen-Dataset.

{
     "attributes": [
        {
           "AttributeName": "timestamp",
           "AttributeType": "timestamp"
        },
        {
           "AttributeName": "item_id",
           "AttributeType": "string"
        },
        {
           "AttributeName": "store",
           "AttributeType": "string"
        },
        {
           "AttributeName": "demand",
           "AttributeType": "float"
        }
    ]
}

Wenn Sie Ihre Trainingsdaten in den Datensatz hochladen, der dieses Schema verwendet, geht Forecast davon aus, dass sich das timestamp Feld in Spalte 1, das item_id Feld in Spalte 2, das store Feld in Spalte 3 und das demand Feld, das Zielfeld, in Spalte 4 befindet.

Für den Dataset-Typ der verwandte Zeitreihen müssen alle zugehörigen Funktionen den Attributtyp Gleitkommazahl oder Ganzzahl aufweisen. Für den Artikel-Metadaten-Dataset-Typ müssen alle Funktionen den Attributtyp Zeichenfolge haben. Weitere Informationen finden Sie unter SchemaAttribute.

Dataset-Gruppen

Eine Dataset-Gruppe ist eine Sammlung von einem bis drei verwandten Datasets, mit einem von jedem Dataset-Typ. Sie importieren Datasets in eine Dataset-Gruppe und verwenden dann die Dataset-Gruppe, um einen Predictor zu schulen.

Forecast umfasst die folgenden Operationen, um Datensatzgruppen zu erstellen und ihnen Datensätze hinzuzufügen:

Beheben von Konflikten in der Häufigkeit der Datensammlung

Forecast kann Prädiktoren mit Daten trainieren, die nicht mit der Datenfrequenz übereinstimmen, die Sie in der CreateDataset Operation angeben. Beispielsweise können Sie Daten importieren, die in stündlichen Intervallen aufgezeichnet wurden, auch wenn einige der Daten nicht am Ende der Stunde (02:20, 02:45) mit einem Zeitstempel versehen sind. Die Prognose verwendet die von Ihnen angegebene Datenfrequenz, um mehr über Ihre Daten zu erfahren. Dann aggregiert Forecast die Daten während des Prädiktortrainings. Weitere Informationen finden Sie unter Datenaggregation für verschiedene Prognosefrequenzen.