Amazon Forecast non è più disponibile per i nuovi clienti. I clienti esistenti di Amazon Forecast possono continuare a utilizzare il servizio normalmente. Scopri di più»
Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Algoritmi di Amazon Forecast
Un predittore Amazon Forecast utilizza un algoritmo per addestrare un modello con i set di dati delle serie temporali. Il modello addestrato viene quindi utilizzato per generare metriche e previsioni.
Se non sei sicuro dell'algoritmo da utilizzare per addestrare il tuo modello, scegli AutoML quando crei un predittore e lascia che Forecast alleni il modello ottimale per i tuoi set di dati. Altrimenti, puoi selezionare manualmente uno degli algoritmi di Amazon Forecast.
Taccuini Python
Per una step-by-step guida sull'uso di AutoML, vedi Guida introduttiva a AutoML
Algoritmi di Forecast integrati
Amazon Forecast offre sei algoritmi integrati tra cui scegliere. Questi vanno da algoritmi statistici di uso comune come Autoregressive Integrated Moving Average (ARIMA), a complessi algoritmi di rete neurali come CNN-QR e DeepAr+.
CNN-QR
arn:aws:forecast:::algorithm/CNN-QR
Amazon Forecast CNN-QR, Convolutional Neural Network - Quantile Regression, è un algoritmo di apprendimento automatico proprietario per la previsione di serie temporali utilizzando reti neurali convoluzionali causali (CNN). CNN-QR funziona al meglio con set di dati di grandi dimensioni contenenti centinaia di serie temporali. Accetta i metadati degli articoli ed è l'unico algoritmo di Forecast che accetta dati di serie temporali correlate senza valori future.
Par+ profondo
arn:aws:forecast:::algorithm/Deep_AR_Plus
Amazon Forecast DeepAR+ è un algoritmo di apprendimento automatico proprietario per la previsione di serie temporali utilizzando reti neurali ricorrenti (RNN). DeepAr+ funziona al meglio con set di dati di grandi dimensioni contenenti centinaia di serie temporali di funzionalità. L'algoritmo accetta serie temporali e metadati degli elementi correlati al futuro.
Profeta
arn:aws:forecast:::algorithm/Prophet
Prophet è un algoritmo di previsione di serie temporali basato su un modello additivo in cui le tendenze non lineari si adattano alla stagionalità annuale, settimanale e giornaliera. Funziona meglio con serie temporali con forti effetti stagionali e diverse stagioni di dati storici.
NPT
arn:aws:forecast:::algorithm/NPTS
L'algoritmo proprietario Amazon Forecast Non-Parametric Time Series (NPTS) è un previsore di base scalabile e probabilistico. L'NPTS è particolarmente utile quando si lavora con serie temporali sparse o intermittenti. Forecast fornisce quattro varianti di algoritmo: Standard NPTS, Seasonal NPTS, Climatological Forecaster e Seasonal Climatological Forecaster.
ARIMA
arn:aws:forecast:::algorithm/ARIMA
Autoregressive Integrated Moving Average (ARIMA) è un algoritmo statistico comunemente usato per la previsione di serie temporali. L'algoritmo è particolarmente utile per set di dati semplici con meno di 100 serie temporali.
ETS
arn:aws:forecast:::algorithm/ETS
L'Exponential Smoothing (ETS) è un algoritmo statistico comunemente usato per la previsione di serie temporali. L'algoritmo è particolarmente utile per set di dati semplici con meno di 100 serie temporali e set di dati con modelli di stagionalità. ETS calcola una media ponderata di tutte le osservazioni nel set di dati delle serie temporali come previsione, con pesi decrescenti esponenzialmente nel tempo.
Confronto tra algoritmi di Forecast
Usa la tabella seguente per trovare l'opzione migliore per i tuoi set di dati delle serie temporali.
| Reti neurali | Algoritmi locali flessibili | Algoritmi di base | ||||
|---|---|---|---|---|---|---|
| CNN-QR | DeepAR+ | Prophet | NPTS | ARIMA | ETS | |
| Processo di formazione computazionalmente intensivo | Elevata | Elevata | Media | Bassa | Bassa | Bassa |
| Accetta serie temporali correlate alla cronologia* | ||||||
| Accetta serie temporali relative al futuro* | ||||||
| Accetta i metadati degli articoli (colore del prodotto, marca, ecc.) | ||||||
| Accetta la funzione integrata di Weather Index | ||||||
| Adatto per set di dati sparsi | ||||||
| Esegue l'ottimizzazione degli iperparametri (HPO) | ||||||
| Consente di sovrascrivere i valori degli iperparametri predefiniti | ||||||
*Per ulteriori informazioni sulle serie temporali correlate, vedere Serie temporali correlate.
