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»](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/)
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.
# Nozioni di base
Per iniziare a usare Amazon Forecast, procedi come descritto di seguito.
+ Crea un set di dati Forecast e importa i dati di allenamento.
+ Crea un Forecast predittor, che utilizzi per generare previsioni basate sui dati delle tue serie temporali. Forecast applica la combinazione ottimale di algoritmi a ogni serie temporale dei tuoi set di dati.
+ Genera una previsione.
In questo esercizio, si utilizza una versione modificata di un set di dati sull'utilizzo dell'elettricità disponibile al pubblico per addestrare un predittore. Per ulteriori informazioni, vedere Set di dati [ElectricityLoadDiagrams2011-2014](https://archive.ics.uci.edu/ml/datasets/ElectricityLoadDiagrams20112014). Di seguito sono riportare righe di esempio del set di dati:
```
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
```
In questo esercizio viene utilizzato il set di dati per eseguire il training di un predittore e quindi viene generata la previsione di consumo orario di elettricità del client.
È possibile utilizzare la console Forecast o AWS Command Line Interface (AWS CLI) per questo esercizio. Presta attenzione alle regioni predefinite della console Amazon Forecast, a e ad Amazon Forecast SDKs, poiché le risorse Amazon Forecast non sono condivise tra le regioni. AWS CLI
**Importante**
Prima di iniziare, assicurati di avere un file Account AWS e di aver installato il AWS CLI. Per ulteriori informazioni, consulta [Configurazione](setup.md). Ti consigliamo anche di rivedere [Scopri come funziona Amazon Forecast](how-it-works.md).
**Topics**
+ [Preparazione dei dati di input](#gs-upload-data-to-s3)
+ [Nozioni di base (Console)](gs-console.md)
+ [Nozioni di base (AWS CLI)](gs-cli.md)
+ [Guida introduttiva (taccuini Python)](getting-started-python.md)
+ [Pulizia delle risorse](#gs-cleanup)
## Preparazione dei dati di input
Indipendentemente dal fatto che utilizzi la console Amazon Forecast o AWS Command Line Interface (AWS CLI) per configurare un progetto di previsione, devi configurare i dati di input. Per preparare i dati, esegui le seguenti operazioni:
+ Scarica i dati di allenamento sul tuo computer e caricali in un bucket Amazon Simple Storage Service (Amazon S3) nel tuo. Account AWS Per importare i dati in un set di dati Amazon Forecast, devi archiviarli in un bucket Amazon S3.
+ Crea un ruolo AWS Identity and Access Management (IAM). Concedi ad Amazon Forecast l'autorizzazione ad accedere al tuo bucket S3 con il ruolo IAM. Per ulteriori informazioni sui ruoli IAM, consulta [Ruoli IAM](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles.html) nella *Guida per l'utente di IAM*.
**Per preparare i dati di training**
1. Scaricare il file ZIP, [electricityusagedata.zip](samples/electricityusagedata.zip).
Per questo esercizio, utilizzi una versione modificata del set di dati sul consumo di energia elettrica dei singoli nuclei domestici. (Dua, D. e Karra Taniskidou, E. (2017). Archivio UCI Machine Learning [[http://archive.ics.uci.edu/ml](http://archive.ics.uci.edu/ml)]. Irvine, CA: Università della California, Facoltà di Informazione e Informatica.) I dati di utilizzo vengono aggregati su base oraria.
1. Decomprimere il contenuto e salvarlo localmente come `electricityusagedata.csv`.
1. Caricare il file di dati in un bucket &S3.
Per step-by-step istruzioni, consulta [Caricamento di file e cartelle tramite Drag and Drop](https://docs.aws.amazon.com/AmazonS3/latest/user-guide/upload-objects.html) nella *Guida per l'utente di Amazon Simple Storage Service*.
1. Crea un ruolo IAM.
Se desideri utilizzare l' AWS CLI esercizio Getting Started, devi creare un ruolo IAM. Se si utilizza la console, è possibile configurarla per creare automaticamente il ruolo. Per step-by-step istruzioni, consulta[Impostazione delle autorizzazioni per Amazon Forecast](aws-forecast-iam-roles.md).
Dopo aver completato il caricamento dei dati su Amazon S3, sei pronto per utilizzare la console Amazon Forecast o AWS CLI importare dati di allenamento, creare un predittore, generare una previsione e visualizzare la previsione.
+ [Nozioni di base (Console)](gs-console.md)
+ [Nozioni di base (AWS CLI)](gs-cli.md)
# Nozioni di base (Console)
In questo esercizio, utilizzi la console Amazon Forecast per importare serie temporali di dati sul consumo di elettricità, creare un predittore basato sul set di dati di input ed effettuare previsioni sul consumo futuro di elettricità in base all'orizzonte di previsione.
Per questo esercizio, utilizzi una versione modificata del set di dati sul consumo di energia elettrica domestica individuale. (Dua, D. e Karra Taniskidou, E. (2017). Archivio UCI Machine Learning [[http://archive.ics.uci.edu/ml](http://archive.ics.uci.edu/ml)]. Irvine, CA: Università della California, Facoltà di Informazione e Informatica.) I dati di utilizzo vengono aggregati su base oraria. [I dati modificati sono disponibili come file zip, electricityusagedata.zip.](samples/electricityusagedata.zip)
**Prerequisiti**
+ Un Account AWS. Se non ne hai già uno Account AWS, creane uno come descritto in[Registrati per AWS](aws-forecast-set-up-aws-account.md).
+ Dati di addestramento nel tuo bucket Amazon Simple Storage Service (Amazon S3). Per ulteriori informazioni, consulta [Preparazione dei dati di input](getting-started.md#gs-upload-data-to-s3).
+ Un ruolo AWS Identity and Access Management (IAM) che consente ad Amazon Forecast di leggere e scrivere nei tuoi bucket S3. Per ulteriori informazioni, consulta [Crea un ruolo IAM per Amazon Forecast (console IAM)](aws-forecast-iam-roles.md#aws-forecast-create-iam-role-with-console).
Tieni presente che ci sono diversi passaggi di questo esercizio che richiedono da alcuni minuti a qualche ora per essere completati.
## Fase 1: importazione dei dati di training
Per importare i dati di serie temporali in Amazon Forecast, crea un gruppo di set di dati, scegli un dominio per il gruppo di set di dati, specifica i dettagli dei dati e imposta Amazon Forecast in modo che faccia riferimento alla posizione S3 dei dati. Le serie temporali target utilizzate in questo esempio sono i dati [storici sull'utilizzo dell'elettricità](getting-started.md#gs-upload-data-to-s3).
**Nota**
Questo esercizio presuppone che non sia stato creato alcun gruppo di set di dati. Se in precedenza hai creato un gruppo di set di dati, ciò che visualizzi varierà leggermente rispetto ai seguenti screenshot e istruzioni.
**Per importare dati di serie temporali per le previsioni**
1. Apri la console Amazon Forecast all'indirizzo [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Nella home page di Amazon Forecast, scegli **Crea gruppo di set** di dati.
1. Nella pagina **Create dataset group (Crea gruppo di set di dati)**, per **Dataset group details (Dettagli del gruppo di set di dati)**, fornisci le seguenti informazioni:
+ **Nome del gruppo di set** di dati: inserisci un nome per il gruppo di set di dati.
+ **Dominio di previsione****: dal menu a discesa, scegli Personalizzato.** Per ulteriori informazioni su come scegliere un dominio di previsione, consulta Domini e tipi di [set](howitworks-domains-ds-types.md) di dati.
Lascia invariata la sezione **Tag**. La schermata dovrebbe essere simile alla seguente:
![\[Dataset group creation form with name field and forecasting domain dropdown.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/gs-step1-create-dsgroup.png)
1. Scegli **Next (Successivo)**.
1. Nella pagina **Create target time series dataset (Crea set di dati di serie temporali target)**, per **Dataset details (Dettagli del set di dati)**, fornisci le seguenti informazioni:
+ **Nome del set** di dati: inserisci un nome per il set di dati.
+ **Frequenza dei dati**: mantieni il valore predefinito di **1** e scegli l'**ora** dal menu a discesa. Questa impostazione deve essere coerente con i dati delle serie temporali di input. L'intervallo di tempo nei dati di consumo di elettricità di esempio è un'ora.
+ **Schema dei dati**: scegli **Schema builder** e trascina i componenti della colonna per adattarli all'ordine dei dati delle serie temporali dall'alto verso il basso.
1. **timestamp: utilizza il formato Timestamp predefinito di.** **yyyy-MM-dd HH:mm:ss**
1. target\$1value
1. id\$1articolo
Per i dati di input sull'utilizzo di elettricità, le colonne corrispondono a: un timestamp, il consumo di elettricità all'ora specificata (target\$1value) e l'ID del cliente a cui è stato addebitato il consumo di elettricità (stringa). L'ordine delle colonne e il formato del timestamp qui specificati devono essere coerenti con i dati delle serie temporali di input.
Il pannello dei **dettagli del set** di dati dovrebbe essere simile al seguente:
![\[Dataset details form with name, frequency, and schema builder sections for data configuration.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/gs-step1-create-dataset.png)
1. Per i **dettagli sull'importazione del set di dati**, fornisci le seguenti informazioni:
+ Nome di **importazione del set** di dati: inserisci un nome per il set di dati.
+ **Seleziona il fuso orario**: lascia selezionato il valore predefinito (**non utilizzare il fuso orario**).
+ **Posizione dei dati**: utilizza il seguente formato per inserire la posizione del tuo file.csv su Amazon S3:
**s3:////**
+ **Ruolo IAM**: mantieni l'impostazione predefinita **Inserisci un ruolo IAM personalizzato ARN**.
In alternativa, puoi fare in modo che Amazon Forecast crei il ruolo IAM richiesto per te scegliendo **Crea un nuovo ruolo** dal menu a discesa e seguendo le istruzioni sullo schermo.
+ **ARN del ruolo IAM personalizzato**: inserisci l'Amazon Resource Name (ARN) del ruolo IAM in cui hai creato. [Crea un ruolo IAM per Amazon Forecast (console IAM)](aws-forecast-iam-roles.md#aws-forecast-create-iam-role-with-console)
Il pannello dei **dettagli di importazione del set** di dati dovrebbe essere simile al seguente:
![\[Dataset import details form with fields for name, time zone, data location, and IAM role.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/gs-step1-import-data.png)
1. Scegli **Avvia**. Se torni alla home page di Amazon Forecast, scegli **Visualizza gruppo di set** di dati.
1. Fai clic sul nome del gruppo di set di dati che hai appena creato. Viene visualizzata la pagina **Dashboard (Pannello di controllo)** del gruppo di set di dati. La schermata dovrebbe essere simile alla seguente:
![\[Dashboard overview showing steps: import data, train predictor, generate forecasts, explore insights.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/gs-step1-importing.png)
Accanto ai **dati delle serie temporali di Target**, vedrai lo stato del processo di importazione. Attendi che Amazon Forecast completi l'importazione dei dati delle serie temporali. Il processo può richiedere alcuni minuti o più tempo. Una volta importato il set di dati, lo stato passa a **Active** e il banner nella parte superiore della dashboard ti avvisa che hai importato correttamente i dati.
Ora che il set di dati della serie temporale di destinazione è stato importato, puoi creare un predittore.
## Passaggio 2: creare un predittore
Successivamente crei un predittore, che utilizzi per generare previsioni basate sui dati delle serie temporali. Forecast applica la combinazione ottimale di algoritmi a ogni serie temporale dei tuoi set di dati
Per creare un predittore con la console Forecast, è necessario specificare un nome di predittore, una frequenza di previsione e definire un orizzonte di previsione. Per ulteriori informazioni sui campi aggiuntivi che puoi configurare, consulta. [Predittori di allenamento](howitworks-predictor.md)
**Per creare un predittore**
1. Al termine dell'importazione del set di dati delle serie temporali target, l'aspetto del **Dashboard (Pannello di controllo)** del gruppo di set di dati dovrebbe essere simile al seguente:
![\[Dashboard overview showing steps: import data, train predictor, generate forecasts, explore insights.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/gs-step2-start.png)
In **Train a predictor (Esegui il training del predittore)**, seleziona **Start (Esegui)**. Viene visualizzata la pagina **Train predictor (Esegui il training del predittore)**.
**Nota**
Il valore `Status` in **Target time series data (dati delle serie temporali target)** deve essere `Active`, che indica che l'importazione è terminata correttamente, prima di poter eseguire il training del predittore.
1. Nella pagina **Train predictor**, per **le impostazioni di Predictor**, fornisci le seguenti informazioni:
+ Nome del **predittore: inserisci un nome** per il tuo predittore.
+ **Forecast frequency**: mantiene il valore predefinito di**1**. Dal menu a discesa, scegli **hour (ora)**. Questa impostazione deve essere coerente con i dati delle serie temporali di input. L'intervallo di tempo nei dati di consumo di elettricità di esempio è un'ora.
+ **Forecast horizon**: scegli fino a che punto del futuro fare previsioni. Questo numero moltiplicato per la frequenza di immissione dei dati (`hourly`) specificata in `Step 1: Import the Training Data` determina il periodo per il quale effettuare previsioni. Per questo esercizio, imposta il numero su `36`, in modo da fornire previsioni per 36 ore.
+ **Forecast dimensions** e **Forecast quantiles**: lascia i valori predefiniti per questi campi.
Le restanti sezioni **Configurazione dei dati di input** e **Tag** sono facoltative, quindi lascia i valori predefiniti. Le sezioni **delle impostazioni Predictor** dovrebbero avere un aspetto simile alle seguenti:
![\[Predictor settings interface showing name, forecast configuration, and quantile options.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/gs-step2-predictor-details.png)
1. Scegli **Create (Crea) **. Viene visualizzata la pagina **Dashboard (Pannello di controllo)** del gruppo di set di dati. La schermata dovrebbe essere simile alla seguente:
![\[Dashboard overview showing steps: import data, train predictor, generate forecasts, explore insights.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/gs-step2-predictor-dashboard.png)
1. Per trovare lo stato del tuo predittore, scegli **Visualizza** predittori.
1. **Nella pagina **Predittori**, trova lo stato del tuo predittore nella colonna Stato dell'allenamento.** La schermata dovrebbe essere simile alla seguente:
![\[Predictors page showing one predictor in progress with training status and other details.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/gs-step2-predictor-status.png)
Attendi che Amazon Forecast completi l'addestramento del predittore. Il processo può richiedere alcuni minuti o più tempo. Una volta addestrato il predittore, lo stato passa a **Attivo** e viene visualizzato un banner che ti avvisa che puoi iniziare a generare previsioni.
## Fase 3: creazione di una previsione
Dopo che il predittore è attivo, puoi creare una previsione. Una previsione è un gruppo di previsioni, una per ogni elemento nel set di dati target. Per recuperare la previsione completa, devi creare un processo di esportazione.
**Per ottenere e visualizzare la previsione**
1. Nella **dashboard** del gruppo di set di dati, in **Forecast generation**, scegli **Start**. Viene visualizzata la pagina **Create a forecast (Crea una previsione)**.
**Nota**
Lo `Status` di **Predictor training (Training del predittore)** deve essere `Active` prima di poter generare una previsione.
1. Nella pagina **Create a forecast (Crea una previsione)**, fornisci le seguenti informazioni per **Forecast details (Dettagli della previsione)**:
+ **Forecast name**: inserisci un nome per la tua previsione.
+ **Predittore**: dal menu a discesa, scegli il predittore in cui hai creato. `Step 2: Train a Predictor`
I campi **Forecast quantiles** e **Tags** sono facoltativi, quindi lascia il valore predefinito. La schermata dovrebbe essere simile alla seguente:
![\[Forecast details form with fields for name, predictor info, and optional forecast types.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/gs-step3-forecast-details.png)
Fate clic su **Avvia**.
1. Viene visualizzata la pagina **Previsioni**. La schermata dovrebbe essere simile alla seguente:
![\[Forecasts page interface showing a single forecast in progress with status and creation details.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/gs-step3-creating-forecast.png)
La colonna **Stato** elenca lo stato della previsione. Attendi che Amazon Forecast completi la creazione della previsione. Il processo può richiedere alcuni minuti o più tempo. Una volta creata la previsione, lo stato passa a **Attivo**.
Ora che la previsione è stata creata, puoi esportare la previsione.
## Fase 4: Esportazione di un Forecast
Dopo aver creato la previsione, puoi esportare la previsione completa.
**Per esportare la previsione completa**
1. Nella pagina dei gruppi di set di dati, fai clic sul gruppo di set di dati in cui hai creato. `Step 1: Import Training Data`
1. Fai clic ![\[Three horizontal lines representing a menu or navigation icon.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/menuNavPane.png) nell'angolo superiore sinistro dello schermo per aprire il riquadro di navigazione. Nel gruppo del set di dati, fai clic su **Previsioni**.
1. Scegliere il pulsante di opzione accanto alla previsione creata in `Step 3: Create a Forecast`.
1. Scegliere **Create forecast export (Crea esportazione previsione)**. Viene visualizzata la pagina **Create forecast export (Crea esportazione previsione)**.
1. Nella pagina **Create forecast export (Crea esportazione previsione)**, per **Export details (Dettagli esportazione)**, fornire le seguenti informazioni.
+ **Nome di esportazione**: inserisci un nome per il processo di esportazione delle previsioni.
+ **Ruolo IAM**: mantieni l'impostazione predefinita **Inserisci un ruolo IAM personalizzato ARN**.
In alternativa, puoi fare in modo che Amazon Forecast crei il ruolo IAM richiesto per te scegliendo **Crea un nuovo ruolo** dal menu a discesa e seguendo le istruzioni sullo schermo.
+ **ARN del ruolo IAM personalizzato**: inserisci l'Amazon Resource Name (ARN) del ruolo IAM in cui hai creato. [Crea un ruolo IAM per Amazon Forecast (console IAM)](aws-forecast-iam-roles.md#aws-forecast-create-iam-role-with-console)
+ **Posizione di esportazione prevista S3**: utilizza il seguente formato per inserire la posizione del bucket o della cartella Amazon Simple Storage Service (Amazon S3) nel bucket:
**s3:////**
La schermata dovrebbe essere simile alla seguente:
![\[Form for creating a forecast export with fields for export details and AWS configurations.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/createForecastExport.png)
1. **Fai clic su Avvia.** Viene visualizzata la pagina **Previsioni**.
1. Fai clic sulla previsione che hai creato in`Step 3: Create a Forecast`. Trova la sezione **Esportazioni**. La schermata dovrebbe essere simile alla seguente:
![\[Exports section showing a single forecast export job in progress with location and creation date.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/gs-step4-exporting.png)
Deve essere visualizzato l'avanzamento dello stato. Attendi che Amazon Forecast completi l'esportazione della previsione. Il processo può richiedere alcuni minuti o più tempo. Quando la previsione è stata esportata, lo stato passa a **Active (Attivo)** e puoi trovare i file di previsione nel bucket S3.
# Nozioni di base (AWS CLI)
In questo esercizio, usi il AWS Command Line Interface (AWS CLI) per esplorare Amazon Forecast. Puoi creare un set di dati Amazon Forecast, addestrare un predittore e utilizzare il predittore risultante per generare una previsione. Prima di iniziare, assicurati di disporre di un Account AWS e di avere configurato AWS CLI. Per ulteriori informazioni, consulta [Configurazione](setup.md).
**Nota**
I AWS CLI comandi di questo esercizio sono stati testati su Linux. Per informazioni sull'utilizzo dei AWS CLI comandi in Windows, vedere [Specificazione dei valori dei parametri per la AWS Command Line Interface](https://docs.aws.amazon.com/cli/latest/userguide/cli-using-param.html) nella *Guida per l'AWS Command Line Interface utente*.
## Fase 1: importazione dei dati di training
Inizia creando un set di dati e importando al suo interno i dati del consumo di elettricità.
**Per creare un set di dati di Amazon Forecast**
1. Decidere quale dominio e tipo di set di dati sono appropriati.
I dati di training che verranno importati nel set di dati influenzano la scelta del dominio e del tipo di set di dati. Pertanto, è opportuno rivedere alcune righe di esempio dei dati di consumo di elettricità.
```
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
```
Il formato dei dati è CSV (valori separati da virgola) e sono raccolti su base oraria (come mostrato dal timestamp). Sono incluse le colonne seguenti:
+ Colonna 1: timestamp che mostrano quando è stato registrato il consumo di elettricità.
+ Colonna 2 — Valori di consumo orario di elettricità (nota come i valori del timestamp aumentano di ora in ora).
+ Colonna 3 — Valori dell'ID cliente che identificano i clienti che utilizzano l'elettricità.
Per questi dati, scegliere il dominio di set di dati e il tipo di set di dati predefiniti seguenti:
+ Dominio personalizzato: nessuno dei domini del set di dati, come METRICS, RETAIL o WEB\$1TRAFFIC, si applica a questi dati, quindi scegli il dominio personalizzato.
+ Tipo di serie temporale di destinazione: i dati sono una serie temporale perché tengono traccia del consumo di elettricità nel tempo. Includono anche il *target* per il quale generare la previsione (Colonna 2, consumo di elettricità). Pertanto, scegliere il tipo di set di dati di serie temporali target.
Per comprendere perché si sceglie questo tipo, consulta [Domini di set di dati e tipi di set di dati predefiniti](howitworks-domains-ds-types.md).
1. Scegliere uno schema di set di dati.
Il tipo di serie temporali target per [Dominio CUSTOM](custom-domain.md) richiede questi campi: `timestamp`, `target_value` e `item_id`. Il `target_value` campo è l'obiettivo. Amazon Forecast genera la previsione per questo campo.
Per mappare i campi obbligatori alle colonne nei dati, è necessario creare uno schema. Ogni *attributo* nello schema è mappato a un campo nei dati.
**Importante**
L'ordine degli attributi nello schema deve corrispondere all'ordine dei campi nei dati di training.
```
{
"Attributes":[
{
"AttributeName": "timestamp",
"AttributeType": "timestamp"
},
{
"AttributeName": "target_value",
"AttributeType": "float"
},
{
"AttributeName": "item_id",
"AttributeType": "string"
}
]
}
```
Sono ora disponibili le informazioni necessarie per creare un set di dati e importare al suo interno i dati.
1. Creare il set di dati.
```
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"
}
]
}'
```
Nella richiesta, il valore `data-frequency` `H` rappresenta una frequenza di raccolta dei dati su base oraria. Di seguito è riportata una risposta di esempio.
```
{
"DatasetArn": "arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds"
}
```
Per ulteriori informazioni su questa operazione, consulta [CreateDataset](API_CreateDataset.md).
1. (Facoltativo) Ottenere la descrizione del set di dati.
```
aws forecast describe-dataset \
--dataset-arn arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds
```
Di seguito è riportata una risposta di esempio.
```
{
"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"
}
```
**Nota**
L'ordine delle coppie chiave-valore nella risposta è arbitrario.
1. Creare un gruppo di set di dati e aggiungere a esso il set di dati. Il valore del parametro `domain` deve corrispondere a `domain` del set di dati.
```
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
```
Di seguito è riportata una risposta di esempio.
```
{
"DatasetGroupArn": "arn:aws:forecast:us-west-2:acct-id:dataset-group/electricity_ds_group"
}
```
Per ulteriori informazioni su questa operazione, consulta [CreateDatasetGroup](API_CreateDatasetGroup.md).
1. (Facoltativo) Ottenere la descrizione del gruppo di set di dati.
```
aws forecast describe-dataset-group \
--dataset-group-arn arn:aws:forecast:us-west-2:acct-id:dataset-group/electricity_ds_group
```
Di seguito è riportata una risposta di esempio.
```
{
"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"
}
```
1. Importa i dati di addestramento sul consumo di elettricità dal tuo bucket Amazon S3 al set di dati. Il ruolo IAM che fornisci deve avere l'autorizzazione a leggere i dati dal tuo bucket S3. Per informazioni su come creare un ruolo IAM, consulta. [Crea un ruolo IAM per Amazon Forecast (AWS CLI)](aws-forecast-iam-roles.md#aws-forecast-create-iam-role-with-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"
}
}'
```
Di seguito è riportata la sintassi abbreviata per il parametro `data-source`.
```
--data-source S3Config="{Path='s3://bucket/electricityusagedata.csv',RoleArn='arn:aws:iam::acct-id:role/Role'}"
```
Di seguito è riportata una risposta di esempio.
```
{
"DatasetImportJobArn": "arn:aws:forecast:us-west-2:acct-id:dataset-import-job/electricity_demand_ds/electricity_ds_import_job"
}
```
Per ulteriori informazioni su questa operazione, consulta [CreateDatasetImportJob](API_CreateDatasetImportJob.md).
1. Controllare lo stato di importazione.
```
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
```
Di seguito è riportata una risposta di esempio.
```
{
"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"
}
```
Quando tutti i dati sono stati importati, lo stato diventa ACTIVE (ATTIVO) e la risposta include le statistiche per i dati, come mostrato nell'esempio seguente.
```
{
"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
}
},
...
}
```
**Importante**
Devi attendere che lo stato sia ACTIVE (ATTIVO) prima di creare un predittore con il gruppo di set di dati.
Per ulteriori informazioni su questa operazione, consulta [DescribeDatasetImportJob](API_DescribeDatasetImportJob.md).
## Fase 2: creazione di un predittore
Per creare un predittore, utilizza l'operazione [CreateAutoPredictor](API_CreateAutoPredictor.md) e fornisci le informazioni seguenti.
+ **Nome del predittore**: assegna un nome al predittore in modo da poterlo distinguere dagli altri predittori
+ Gruppo di **set di dati: il gruppo** di set di dati è stato creato nel passaggio precedente.
+ **Frequenza delle previsioni**: la granularità delle previsioni (orarie, giornaliere, settimanali, ecc.).
+ **Forecast horizon**: il numero di fasi temporali previste.
Dopo aver creato il predittore, rivedi le metriche di precisione generate da Amazon Forecast. I parametri consentono di decidere se utilizzare il predittore per generare una previsione. Per ulteriori informazioni sui predittori, consulta [Predittori di allenamento](howitworks-predictor.md).
**Per creare un predittore e rivedere i parametri di accuratezza**
1. Creare il predittore.
```
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
```
Di seguito è riportata una risposta di esempio.
```
{
"PredictorArn": "arn:aws:forecast:us-west-2:acct-id:predictor/electricitypredictor"
}
```
1. Ottenere lo stato del predittore.
```
aws forecast describe-predictor \
--predictor-arn arn:aws:forecast:us-west-2:acct-id:predictor/electricitypredictor
```
Di seguito è riportata una risposta di esempio.
```
{
"PredictorArn": "arn:aws:forecast:::predictor/electricitypredictor",
"PredictorName": "electricitypredictor",
"ForecastHorizon": 36,
"ForecastTypes": [
"0.1",
"0.5",
"0.9"
],
"ForecastFrequency": "D",
"DatasetImportJobArns": [
"arn:aws:forecast:::dataset-import-job/getting_started_dataset/gs_import"
],
"DataConfig": {
"DatasetGroupArn": "arn:aws:forecast:::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"
}
}
```
**Importante**
Il training del modello richiede tempo. Non continuare finché non è stato completato il training e lo stato del predittore è ACTIVE.
1. Ottenere i parametri di precisione per il predittore.
```
aws forecast get-accuracy-metrics \
--predictor-arn arn:aws:forecast:us-west-2:acct-id:predictor/electricitypredictor
```
Di seguito è riportata una risposta di esempio.
```
{
"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
}
]
}
]
}
```
I parametri mostrano la perdita di errore per ogni quantile. Ad esempio, si è verificato un errore dell'11,7% per il primo quantile. Le metriche mostrano anche l' root-mean-squareerrore (). `RMSE`
I parametri di riepilogo mostrano la media dei parametri calcolati in tutte le finestre di test. Poiché c'era una sola finestra di test, i parametri di riepilogo e calcolati sono uguali.
Per ulteriori informazioni su questa operazione, consulta [GetAccuracyMetrics](API_GetAccuracyMetrics.md).
## Fase 3: creazione di una previsione
Amazon Forecast crea una previsione per il `target_value` campo (determinata dal dominio e dal tipo di set di dati) per ogni elemento univoco `item_id` del set di dati. In questo esercizio, il `target_value` campo fornisce il consumo di elettricità e il cliente `item_id` fornisce. IDs Puoi ottenere una previsione del consumo orario di elettricità per cliente.
Dopo aver creato la previsione, puoi eseguire una query per un singolo elemento o esportare la previsione completa.
**Per creare, recuperare ed esportare una previsione**
1. Creare la previsione.
```
aws forecast create-forecast \
--forecast-name electricityforecast \
--predictor-arn arn:aws:forecast:us-west-2:acct-id:predictor/electricitypredictor
```
L'operazione utilizza il predittore per creare una previsione. Nella risposta, viene restituito l'Amazon Resource Name (ARN) della previsione. Puoi utilizzare questo ARN per recuperare ed esportare la previsione. Di seguito è riportata una risposta di esempio.
```
{
"ForecastArn": "arn:aws:forecast:us-west-2:acct-id:forecast/electricityforecast"
}
```
Per ulteriori informazioni su questa operazione, consulta [CreateForecast](API_CreateForecast.md).
1. Recuperare le prime due ore della previsione per `client_1`.
**Nota**
Il nome del servizio, `forecastquery`, è diverso dal nome del servizio utilizzato altrove.
```
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"}'
```
L'operazione include i parametri seguenti.
+ `start-date`e`end-date`: specifica un intervallo di date opzionale per il quale recuperare la previsione. Se non si specificano questi parametri, l'operazione restituisce l'intera previsione per `client_1`.
+ `filters`— specifica il `item_id` filtro per il quale recuperare la previsione dell'elettricità. `client_1`
Di seguito è riportata la sintassi abbreviata per il parametro `filters`.
```
--filters item_id="client_1"
```
Di seguito è riportata una risposta di esempio.
```
{
"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
}
]
}
}
}
```
Poiché questa è una previsione oraria, la risposta mostra i valori di previsione oraria. Nella risposta, tenere presente quanto segue:
+ `mean`— Per la data e l'ora specifiche, la media è il valore medio previsto del consumo di elettricità per il cliente.
+ `p90``p50`, e `p10` — Specificate il livello di confidenza che il valore effettivo sarà inferiore al valore elencato alla data e all'ora specificate. Ad esempio, alle 01:00:00:00 del 01/2015, Amazon Forecast è sicuro al 90% che il consumo di elettricità sarà inferiore a 24,5. Amazon Forecast è sicuro del 50% che l'utilizzo sarà inferiore a 20,8 e del 10% che l'utilizzo sarà inferiore a 18,5.
Per ulteriori informazioni su questa operazione, consulta [QueryForecast](API_forecastquery_QueryForecast.md).
1. Esporta la previsione completa nel tuo bucket Amazon S3. Il ruolo IAM che fornisci deve avere l'autorizzazione a scrivere dati nel tuo bucket S3. Per informazioni su come creare un ruolo IAM, consulta. [Crea un ruolo IAM per Amazon Forecast (AWS CLI)](aws-forecast-iam-roles.md#aws-forecast-create-iam-role-with-cli)
Creare un processo di esportazione della previsione.
```
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'}"
```
Di seguito è riportata una risposta di esempio.
```
{
"ForecastExportJobArn": "arn:aws:forecast::us-west-2:acct-id:forecast-export/64bbc087"
}
```
Per ulteriori informazioni su questa operazione, consulta [CreateForecastExportJob](API_CreateForecastExportJob.md).
1. Ottenere lo stato del processo di esportazione.
```
aws forecast describe-forecast-export-job \
--forecast-export-job-arn arn:aws:forecast:us-west-2:acct-id:forecast/electricityforecast
```
Di seguito è riportata una risposta di esempio.
```
{
"ForecastExportJobArn": "arn:aws:forecast::us-west-2:acct-id:forecast-export/64bbc087",
"ForecastExportJobName": "electricityforecast_exportjob",
"Status": "CREATE_IN_PROGRESS"
}
```
Quando lo stato è ACTIVE (ATTIVO), è possibile individuare i file di previsione nel bucket S3 specificato.
# Guida introduttiva (taccuini Python)
**Nota**
[Per un elenco completo dei tutorial che utilizzano i notebook Python, consulta la pagina Amazon Forecast Github Samples.](https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks)
[Per iniziare a usare Amazon Forecast APIs with Python notebooks, consulta il Getting Started Tutorial.](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/basic/Getting_Started/Amazon_Forecast_Quick_Start_Guide.ipynb) Il tutorial ti guida attraverso i passaggi principali di Forecast dall'inizio alla fine.
Per i tutorial di base per processi specifici, fate riferimento ai seguenti taccuini Python:
1. [Preparazione dei dati](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/1.Importing_Your_Data.ipynb): prepara un set di dati, crea un gruppo di set di dati, definisce lo schema e importa il gruppo di set di dati.
1. [Crea il tuo predittore](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/2.Building_Your_Predictor.ipynb): addestra un predittore sui dati che hai importato nel tuo set di dati Forecast.
1. [Valutazione dei predittori](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/3.Evaluating_Your_Predictor.ipynb): ottieni previsioni, visualizza previsioni e confronta i risultati.
1. [Riqualificazione dei predittori: riqualifica un predittore](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/advanced/Retraining_AutoPredictor/Retraining.ipynb) esistente con dati aggiornati.
1. [Esegui l'aggiornamento a AutoPredictor](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/basic/Upgrading_to_AutoPredictor/UpgradeToAutoPredictor.ipynb): aggiorna i predittori precedenti a. AutoPredictor
1. [Pulisci](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/4.Cleanup.ipynb): elimina i gruppi di set di dati, i predittori e le previsioni creati durante i tutorial.
Per ripetere il tutorial Getting Started con AutoML, consulta [Getting Started with AutoML](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Getting_started_with_AutoML/Getting_started_with_AutoML.ipynb).
## Tutorial avanzati
Per tutorial più avanzati, consulta i seguenti taccuini Python:
+ [Spiegabilità a livello di articolo:](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/advanced/Item_Level_Explainability/Item_Level_Explanability.ipynb) scopri come gli attributi dei set di dati influiscono sulle previsioni per serie temporali e punti temporali specifici.
+ [Confronto di più modelli](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Compare_Multiple_Models/Compare_Multiple_Models.ipynb): crea predittori utilizzando Prophet, ETS e DeepAr\$1 e confronta le loro prestazioni visualizzando i risultati.
+ [Previsione dell'avvio a freddo](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Forecast%20with%20Cold%20Start%20Items/Forecast%20with%20Cold%20Start%20Items.ipynb): utilizza i metadati degli articoli e l'algoritmo DeepAr\$1 per prevedere scenari con avvio a freddo (quando i dati storici sono scarsi o nulli).
+ [Incorporazione di set di dati relativi a serie temporali: utilizza set](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Incorporating_Related_Time_Series_dataset_to_your_Predictor/Incorporating_Related_Time_Series_dataset_to_your_Predictor.ipynb) di dati di serie temporali correlati per migliorare la precisione del modello.
+ [Incorporazione dei metadati degli elementi: utilizza i metadati](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Incorporating_Item_Metadata_Dataset_to_your_Predictor/Incorporating_Item_Metadata_Dataset_to_your_Predictor.ipynb) degli elementi per migliorare la precisione del modello.
+ [Utilizzo dell'indice meteorologico: utilizza l'indice](https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks/advanced/Weather_index) meteorologico per incorporare informazioni meteorologiche storiche e previste durante l'addestramento dei predittori.
+ [Esecuzione dell'analisi what-if](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/WhatIf_Analysis/WhatIf_Analysis.ipynb): esplora diversi scenari di prezzo e valuta in che modo influiscono sulla domanda.
+ [Valuta la precisione a livello di articolo](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Item_Level_Accuracy/Item_Level_Accuracy_Using_Bike_Example.ipynb): esporta le metriche e le previsioni dei backtest e valuta le prestazioni a livello di articolo del tuo predittore.
## Pulizia delle risorse
Per evitare di incorrere in spese superflue, elimina le risorse create una volta terminata l'esercitazione delle nozioni di base. Per eliminare le risorse, usa la console Amazon Forecast o il `Delete` APIs from SDKs o il AWS Command Line Interface (AWS CLI). Ad esempio, usa l'API [DeleteDataset](API_DeleteDataset.md) per eliminare un set di dati.
Per eliminare una risorsa, il suo stato deve essere `ACTIVE`, `CREATE_FAILED`, o `UPDATE_FAILED`. Controlla lo stato utilizzando `Describe` APIs, ad esempio,[DescribeDataset](API_DescribeDataset.md).
Alcune risorse devono essere eliminate prima di altre, come mostrato nella seguente tabella. Questo processo può richiedere alcuni minuti.
Per eliminare i dati di training che hai caricato, ` electricityusagedata.csv`, consulta[Come eliminare oggetti da un bucket S3?](https://docs.aws.amazon.com/AmazonS3/latest/userguide/delete-objects.html).
| Risorsa da eliminare | Elimina prima | Note |
| --- | --- | --- |
| ForecastExportJob | | |
| Forecast | | Non è possibile eliminare una previsione durante l'esportazione. Dopo l'eliminazione di una previsione, non è più possibile eseguire query sulla previsione. |
| Predictor | Tutte le previsioni associate. | |
| DatasetImportJob | | Non può essere eliminata. |
| Dataset | | Anche tutti i `DatasetImportJob` che hanno come target il set di dati vengono eliminati. Non è possibile eliminare un `Dataset` utilizzato da un predittore. |
| DatasetSchema | Tutti i dataset che fanno riferimento allo schema. | |
| DatasetGroup | Tutti i predittori associatiTutte le previsioni associate.Tutti i set di dati nel gruppo di set di dati. | Non è possibile eliminare un `DatasetGroup` contenente un `Dataset` utilizzato da un predittore. |