Selecione suas preferências de cookies

Usamos cookies essenciais e ferramentas semelhantes que são necessárias para fornecer nosso site e serviços. Usamos cookies de desempenho para coletar estatísticas anônimas, para que possamos entender como os clientes usam nosso site e fazer as devidas melhorias. Cookies essenciais não podem ser desativados, mas você pode clicar em “Personalizar” ou “Recusar” para recusar cookies de desempenho.

Se você concordar, a AWS e terceiros aprovados também usarão cookies para fornecer recursos úteis do site, lembrar suas preferências e exibir conteúdo relevante, incluindo publicidade relevante. Para aceitar ou recusar todos os cookies não essenciais, clique em “Aceitar” ou “Recusar”. Para fazer escolhas mais detalhadas, clique em “Personalizar”.

Funções de transformação - Amazon Forecast

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.

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.

Funções de transformação

Uma função de transformação é um conjunto de operações que selecionam e modificam as linhas em uma série temporal relacionada. Você seleciona as linhas que deseja com uma operação de condição. Em seguida, você modifica as linhas com uma operação de transformação. Todas as condições são unidas a uma AND operação, o que significa que todas as condições devem ser verdadeiras para que a transformação seja aplicada. As transformações são aplicadas na ordem em que estão indicadas.

Ao criar uma previsão de hipóteses, use o construtor de funções de transformação para especificar as condições e as transformações que deseja aplicar. A imagem abaixo ilustra essa funcionalidade.

Transformation function builder interface with options to modify price and stock count.

Na seção destacada, a coluna price é multiplicada por 0,90 (ou seja, 10% de desconto) na loja tacoma (ou seja, Tacoma, Washington) para itens da cor blue. Para fazer isso, o Amazon Forecast primeiro cria um subconjunto da série temporal relacionada à linha de base para conter somente as linhas de store que são iguais a tacoma.

Esse subconjunto é ainda mais reduzido para incluir somente as linhas color que são iguais a blue. Finalmente, todos os valores na coluna price são multiplicados por 0,90 para criar uma nova série temporal relacionada para usar na previsão de hipóteses.

O Amazon Forecast aceita as seguintes condições:

  • EQUALS: o valor na coluna é igual ao valor fornecido na condição.

  • NOT_EQUALS: o valor na coluna não é o mesmo que o valor fornecido na condição.

  • LESS_THAN: o valor na coluna é menor que o valor fornecido na condição.

  • GREATER_THAN: o valor na coluna é maior que o valor fornecido na condição.

O Amazon Forecast oferece permite o registro em log das seguintes ações:

  • ADD: adiciona o valor fornecido a todas as linhas na coluna.

  • SUBTRACT: subtrai o valor fornecido de todas as linhas na coluna.

  • MULTIPLY: multiplica todas as linhas na coluna pelo valor fornecido.

  • DIVIDE: divide todas as linhas na coluna pelo valor fornecido.

A seguir estão exemplos de como você pode especificar uma transformação de série temporal usando SDK o.

Example 1

Este exemplo aplica um desconto de 10% a todos os itens na loja de Seattle. Observe que “Cidade” é uma dimensão de previsão.

TimeSeriesTransformations=[ { "Action": { "AttributeName": "price", "Operation": "MULTIPLY", "Value": 0.90 }, "TimeSeriesConditions": [ { "AttributeName": "city", "AttributeValue": "seattle", "Condition": "EQUALS" } ] } ]
Example 2

Este exemplo aplica um desconto de 10% em todos os itens da categoria “eletrônicos”. Observe que “product_category” é um metadado do item.

TimeSeriesTransformations=[ { "Action": { "AttributeName": "price", "Operation": "MULTIPLY", "Value": 0.90 }, "TimeSeriesConditions": [ { "AttributeName": "product_category", "AttributeValue": "electronics", "Condition": "EQUALS" } ] } ]
Example 3

Este exemplo aplica uma marcação de 20% no BOA21314K item_id específico.

TimeSeriesTransformations=[ { "Action": { "AttributeName": "price", "Operation": "MULTIPLY", "Value": 1.20 }, "TimeSeriesConditions": [ { "AttributeName": "item_id", "AttributeValue": "BOA21314K", "Condition": "EQUALS" } ] } ]
Example 4

Este exemplo adiciona US$ 1 a todos os itens nas lojas de Seattle e Bellevue.

TimeSeriesTransformations=[ { "Action": { "AttributeName": "price", "Operation": "ADD", "Value": 1.0 }, "TimeSeriesConditions": [ { "AttributeName": "city", "AttributeValue": "seattle", "Condition": "EQUALS" } ] }, { "Action": { "AttributeName": "price", "Operation": "ADD", "Value": 1.0 }, "TimeSeriesConditions": [ { "AttributeName": "city", "AttributeValue": "bellevue", "Condition": "EQUALS" } ] } ]
Example 5

Este exemplo subtrai US$ 1 de todos os itens em Seattle no mês de setembro de 2022.

TimeSeriesTransformations=[ { "Action": { "AttributeName": "price", "Operation": "SUBTRACT", "Value": 1.0 }, "TimeSeriesConditions": [ { "AttributeName": "city", "AttributeValue": "seattle", "Condition": "EQUALS" }, { "AttributeName": "timestamp", "AttributeValue": "2022-08-31 00:00:00", "Condition": "GREATER_THAN" }, { "AttributeName": "timestamp", "AttributeValue": "2022-10-01 00:00:00", "Condition": "LESS_THAN" } ] } ]
Example 6

Neste exemplo, o preço é primeiro multiplicado por 10 e, em seguida, US$ 5 são subtraídos do preço. Observe que as ações são aplicadas na ordem em que são declaradas.

TimeSeriesTransformations=[ { "Action": { "AttributeName": "price", "Operation": "MULTIPLY", "Value": 10.0 }, "TimeSeriesConditions": [ { "AttributeName": "city", "AttributeValue": "seattle", "Condition": "EQUALS" } ] }, { "Action": { "AttributeName": "price", "Operation": "SUBTRACT", "Value": 5.0 }, "TimeSeriesConditions": [ { "AttributeName": "city", "AttributeValue": "seattle", "Condition": "EQUALS" } ] } ]
Example 7

Este exemplo cria um conjunto vazio, então a ação não é aplicada a nenhuma série temporal. Esse código tenta modificar o preço de todos os itens nas lojas em Seattle e Bellevue. Como as condições estão unidas à AND operação e uma loja só pode existir em uma cidade, os resultados são um conjunto vazio. Portanto, a ação não é aplicada.

TimeSeriesTransformations=[ { "Action": { "AttributeName": "price", "Operation": "MULTIPLY", "Value": 10.0 }, "TimeSeriesConditions": [ { "AttributeName": "city", "AttributeValue": "seattle", "Condition": "EQUALS" }, { "AttributeName": "city", "AttributeValue": "bellevue", "Condition": "EQUALS" }, ] } ]

Consulte o Exemplo 4 para ver como aplicar uma condição a vários atributos.

Example 8

As condições de transformação que usam um carimbo de data e hora se aplicam aos dados alinhados aos limites, não aos dados brutos. Por exemplo, você insere seus dados de hora em hora e faz previsões diariamente. Nesse caso, o Forecast alinha os carimbos de data/hora ao dia, portanto 2020-12-31 01:00:00 está alinhado a 2020-12-31 00:00:00. Esse código criará um conjunto vazio porque não especifica o carimbo de data e hora no carimbo de data e hora alinhado ao limite.

TimeSeriesTransformations=[ { "Action": { "AttributeName": "price", "Operation": "MULTIPLY", "Value": 10.0 }, "TimeSeriesConditions": [ { "AttributeName": "timestamp", "AttributeValue": "2020-12-31 01:00:00", "Condition": "EQUALS" }, ] } ]

Este exemplo aplica um desconto de 10% a todos os itens na loja de Seattle. Observe que “Cidade” é uma dimensão de previsão.

TimeSeriesTransformations=[ { "Action": { "AttributeName": "price", "Operation": "MULTIPLY", "Value": 0.90 }, "TimeSeriesConditions": [ { "AttributeName": "city", "AttributeValue": "seattle", "Condition": "EQUALS" } ] } ]
PrivacidadeTermos do sitePreferências de cookies
© 2025, Amazon Web Services, Inc. ou suas afiliadas. Todos os direitos reservados.