O Amazon Forecast não está mais disponível para novos clientes. Os clientes existentes do Amazon Forecast podem continuar usando o serviço normalmente. Saiba mais
As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Algoritmo Non-Parametric Time Series (NPTS)
O algoritmo Non-Parametric Time Series (NPTS) do Amazon Forecast é um previsor dimensionável de linha de base probabilística. Ela prevê a distribuição de um valor futuro de uma determinada série temporal por amostragem de observações passadas. As previsões são delimitadas pelos valores observados. A NPTS é especialmente útil quando a série temporal é intermitente (ou esparsa, contendo muitos 0s) e aumenta a atividade rapidamente. Por exemplo, a previsão da demanda de itens individuais em que a série temporal tem muitas contagens baixas. O Amazon Forecast fornece variantes da NPTS que diferem em quais das observações passadas são amostradas e como elas são amostradas. Para usar uma variante da NPTS, você escolhe uma configuração de hiperparâmetros.
Como funciona a NPTS
Semelhante aos métodos clássicos de previsão, como o exponential smoothing (ETS – suavização exponencial) e o autoregressive integrated moving average (ARIMA – média móvel integrada autorregressiva), a NPTS gera previsões para cada série temporal individualmente. As séries temporais no conjunto de dados podem ter diferentes durações. Os pontos temporais onde as observações estão disponíveis são chamados de intervalo de treinamento e os pontos em que a previsão é desejada são chamados de intervalo de previsão.
Os previsores de NPTS do Amazon Forecast têm as seguintes variantes: NPTS, NPTS sazonal, previsor climatológico e previsor sazonal climatológico.
Tópicos
NPTS
Nesta variante, as previsões são geradas por amostragem de todas as observações no intervalo de treinamento das séries temporais. No entanto, em vez de uma amostragem uniforme de todas as observações, essa variante atribui peso para cada uma das últimas observações de acordo com a distância da etapa do tempo atual em que a previsão é necessária. Especificamente, ela usa pesos que declinam exponencialmente de acordo com a distância das últimas observações. Dessa forma, as observações do passado recente são amostradas com muito maior probabilidade do que as observações do passado distante. Isso pressupõe que o passado próximo é mais indicativo para o futuro do que o passado distante. Você pode controlar a quantidade de declínio nos pesos com o hiperparâmetro exp_kernel_weights.
Para usar essa variante de NPTS no Amazon Forecast, defina o hiperparâmetro use_seasonal_model como False e aceite todas as outras configurações padrão.
NPTS sazonal
A variante NPTS sazonal é semelhante à NPTS com a exceção de que, em vez de amostragem de todas as observações, ela usa apenas as observações das últimas estações. Por padrão, a estação é determinada pela granularidade da série temporal. Por exemplo, para uma série temporal por hora, para prever por hora t, essa variante faz amostragens das observações correspondentes à hora t nos dias anteriores. Semelhante à NPTS, a observação na hora t no último dia recebe mais peso do que as observações na hora t dos dias anteriores. Para obter mais informações sobre como determinar a sazonalidade com base na granularidade das séries temporais, consulte Recursos sazonais.
Previsor climatológico
A variante de previsor climatológico usa amostragens de todas as últimas observações com probabilidade uniforme.
Para usar o previsor climatológico, defina o hiperparâmetro kernel_type como uniform e o hiperparâmetro use_seasonal_model como False. Aceite as configurações padrão para todos os outros hiperparâmetros.
Previsor climatológico sazonal
Semelhante à NPTS sazonal, o previsor climatológico sazonal usa amostragens das observações das últimas estações, mas faz amostras delas com probabilidade uniforme.
Para usar o previsor climatológico sazonal, defina o hiperparâmetro kernel_type como uniform. Aceite todas as configurações padrão de todos os outros hiperparâmetros.
Recursos sazonais
Para determinar o que corresponde a uma estação para o previsor de NPTS sazonal e climatológico sazonal, use os recursos listados na tabela a seguir. A tabela lista os recursos derivados das frequências de tempo básico suportadas com base na granularidade. O Amazon Forecast inclui esses recursos de séries temporais, portanto, você não precisa fornecê-los.
| Frequência da série temporal | Recurso para determinar a sazonalidade |
|---|---|
| Minuto | minuto da hora |
| Hora | hora do dia |
| Dia | dia da semana |
| Semana | dia do mês |
| Mês | mês do ano |
Melhores práticas
Ao usar os algoritmos NPTS do Amazon Forecast, considere as seguintes práticas recomendadas para preparar os dados e obter ótimos resultados:
-
Como o NPTS gera previsões para cada série temporal individualmente, forneça toda a série temporal ao chamar o modelo de previsão. Além disso, aceite o valor padrão do hiperparâmetro
context_length. Isso faz com que o algoritmo use toda a série temporal. -
Se você alterar o
context_length(porque os dados de treinamento são muito longos), certifique-se de que ele seja grande o suficiente e abranja várias estações anteriores. Por exemplo, para uma série temporal diária, esse valor deve ser pelo menos de 365 dias (desde que você tenha essa quantidade de dados).
Hiperparâmetros da NPTS
A tabela a seguir lista os hiperparâmetros que podem ser usados no algoritmo NPTS.
| Nome do parâmetro | Descrição |
|---|---|
| context_length | O número de pontos temporais no passado que o modelo usa para fazer a previsão. Por padrão, ele usa todos os pontos temporais no intervalo de treinamento. Normalmente, o valor desse hiperparâmetro deve ser grande e abranger várias estações no passado. Por exemplo, para as séries temporais diárias, esse valor deve ser pelo menos de 365 dias.
|
| kernel_type | O kernel a ser usado para definir os pesos usados para amostragem de observações anteriores.
|
| exp_kernel_weights |
Válido somente quando O parâmetro de escalabilidade do kernel. Para declínio mais rápido (exponencial) nos pesos fornecidos para as observações no passado distante, use um valor grande.
|
| use_seasonal_model | Ao usar uma variante sazonal.
|
| use_default_time_features |
Válido apenas para as variantes NPTS sazonal e previsão meteorológica sazonal. Ao usar recursos sazonais com base na granularidade de séries temporais para determinar a sazonalidade.
|
