Amazon Forecast n'est plus disponible pour les nouveaux clients. Les clients existants d'Amazon Forecast peuvent continuer à utiliser le service normalement. En savoir plus »
Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Algorithmes de Amazon Forecast
Un prédicteur Amazon Forecast utilise un algorithme pour entraîner un modèle avec vos ensembles de données de séries chronologiques. Le modèle entraîné est ensuite utilisé pour générer des métriques et des prévisions.
Si vous ne savez pas quel algorithme utiliser pour entraîner votre modèle, choisissez AutoML lors de la création d'un prédicteur et laissez Forecast entraîner le modèle optimal pour vos ensembles de données. Sinon, vous pouvez sélectionner manuellement l'un des algorithmes Amazon Forecast.
Blocs-notes Python
Pour obtenir un step-by-step guide sur l'utilisation d'AutoML, voir Getting Started with AutoML
Algorithmes de Forecast intégrés
Amazon Forecast propose six algorithmes intégrés parmi lesquels vous pouvez choisir. Il s'agit notamment d'algorithmes statistiques couramment utilisés tels que la moyenne mobile intégrée autorégressive (ARIMA) ou d'algorithmes de réseaux neuronaux complexes tels que CNN-QR et DeepAr+.
CNN-QR
arn:aws:forecast:::algorithm/CNN-QR
Amazon Forecast CNN-QR, Convolutional Neural Network - Quantile Regression, est un algorithme d'apprentissage automatique propriétaire permettant de prévoir des séries chronologiques à l'aide de réseaux neuronaux convolutionnels causaux (CNN). CNN-QR fonctionne mieux avec de grands ensembles de données contenant des centaines de séries chronologiques. Il accepte les métadonnées des éléments et est le seul algorithme de Forecast qui accepte les données de séries chronologiques associées sans valeurs future.
DeepAR +
arn:aws:forecast:::algorithm/Deep_AR_Plus
Amazon Forecast Forecasting DeepAR + est un algorithme d'apprentissage automatique propriétaire pour les prédictions de séries temporelles à l'aide de réseaux neuronaux récurrents (RNN). DeePar+ fonctionne mieux avec de grands ensembles de données contenant des centaines de séries chronologiques de fonctionnalités. L'algorithme accepte les séries chronologiques prospectives et les métadonnées des éléments.
Prophète
arn:aws:forecast:::algorithm/Prophet
Prophet est un algorithme de prévision de séries chronologiques basé sur un modèle additif dans lequel les tendances non linéaires sont ajustées à la saisonnalité annuelle, hebdomadaire et quotidienne. Il fonctionne mieux avec des séries chronologiques présentant de forts effets saisonniers et plusieurs saisons de données historiques.
NPTS
arn:aws:forecast:::algorithm/NPTS
L'algorithme propriétaire d'Amazon Forecast Non-Parametric Time Series (NPTS) est un prévisionniste de référence probabiliste évolutif. Le NPTS est particulièrement utile lorsque vous travaillez avec des séries chronologiques éparses ou intermittentes. Forecast propose quatre variantes d'algorithme : le NPTS standard, le NPTS saisonnier, le prévisionniste climatologique et le prévisionniste climatologique saisonnier.
ARIMA
arn:aws:forecast:::algorithm/ARIMA
La moyenne mobile intégrée autorégressive (ARIMA) est un algorithme statistique couramment utilisé pour les prévisions de séries chronologiques. L'algorithme est particulièrement utile pour les ensembles de données simples comportant moins de 100 séries chronologiques.
ETS
arn:aws:forecast:::algorithm/ETS
Le lissage exponentiel (ETS) est un algorithme statistique couramment utilisé pour les prévisions de séries chronologiques. L'algorithme est particulièrement utile pour les ensembles de données simples comportant moins de 100 séries chronologiques et les ensembles de données présentant des modèles de saisonnalité. ETS calcule une moyenne pondérée sur toutes les observations de l'ensemble de données de la série chronologique à titre de prédiction, avec des poids décroissants de façon exponentielle au fil du temps.
Comparaison des algorithmes de Forecast
Utilisez le tableau suivant pour trouver la meilleure option pour vos ensembles de données de séries chronologiques.
| Réseaux neuronaux | Algorithmes locaux flexibles | algorithmes de référence | ||||
|---|---|---|---|---|---|---|
| CNN-QR | DeepAR+ | Prophet | NPTS | ARIMA | ETS | |
| Processus de formation intensif en informatique | Élevée | Élevée | Medium | Faible | Faible | Faible |
| Accepte les séries chronologiques liées à l'historique* | ||||||
| Accepte les séries chronologiques prospectives * | ||||||
| Accepte les métadonnées de l'article (couleur du produit, marque, etc.) | ||||||
| Accepte la fonctionnalité intégrée de Weather Index | ||||||
| Convient aux ensembles de données épars | ||||||
| Réalise l'optimisation des hyperparamètres (HPO) | ||||||
| Permet de remplacer les valeurs par défaut des hyperparamètres | ||||||
*Pour plus d'informations sur les séries chronologiques connexes, voir Séries chronologiques connexes.
