Lidar com valores ausentes

Um problema comum nos dados de previsão de séries temporais é a presença de valores ausentes. Seus dados podem conter valores ausentes por vários motivos, incluindo falhas de medição, problemas de formatação, erros humanos ou falta de informações para registro. Por exemplo, se você estiver prevendo a demanda de produtos para uma loja de varejo e um item estiver esgotado ou indisponível, não haverá dados de vendas para registrar enquanto esse item estiver esgotado. Se prevalentes o suficiente, os valores ausentes podem afetar significativamente a precisão de um modelo.

O Amazon Forecast fornece uma série de métodos de preenchimento para lidar com valores ausentes nos conjuntos de dados de séries temporais de destino e relacionadas. Preenchimento é o processo de adicionar valores padronizados a entradas ausentes em seu conjunto de dados.

O Forecast é compatível com os seguintes métodos de preenchimento:

A imagem a seguir fornece uma representação visual de diferentes métodos de preenchimento.

Escolher a lógica de preenchimento

Ao escolher uma lógica de preenchimento, você deve considerar como a lógica será interpretada por seu modelo. Por exemplo, em um cenário de varejo, registrar 0 vendas de um item disponível é diferente de registrar 0 vendas de um item indisponível, pois esse último não implica em uma falta de interesse do cliente no item. Por isso, o preenchimento 0 na série temporal de destino pode fazer com que o preditor seja subtendencioso em suas previsões, enquanto o preenchimento NaN pode ignorar ocorrências reais de 0 itens disponíveis que estão sendo vendidos e fazer com que o preditor seja excessivamente tendencioso.

Os gráficos de séries temporais a seguir ilustram como a escolha do valor de preenchimento incorreto pode afetar significativamente a precisão do seu modelo. Os gráficos A e B representam a demanda parcial de um item out-of-stock, com as linhas pretas representando dados reais de vendas. Os valores ausentes em A1 são preenchidos com 0, o que resulta em previsões relativamente subtendenciosas (representadas pelas linhas pontilhadas) em A2. Da mesma forma, os valores ausentes em B1 são preenchidos com NaN, o que resulta em previsões mais exatas em B2.

Para obter uma lista de lógicas de preenchimento compatíveis, consulte a seção a seguir.

Lógica de preenchimento de séries temporais de destino e de séries temporais relacionadas

Você pode executar o preenchimento em séries temporais de destino e conjuntos de dados de séries temporais relacionadas. Cada tipo de conjunto de dados tem diferentes diretrizes e restrições de preenchimento.

Sintaxe de valor ausente

Para realizar o preenchimento de valores ausentes, especifique os tipos de preenchimento a serem implementados ao chamar a CreatePredictoroperação. A lógica de preenchimento é especificada nos FeaturizationMethodobjetos.

O trecho a seguir demonstra um objeto FeaturizationMethod formatado corretamente para um atributo de série temporal de destino e um atributo de série temporal relacionada (target_value e price respectivamente).

Para definir um método de preenchimento para um valor específico, defina o parâmetro de preenchimento para value e defina o valor em um parâmetro _value correspondente. Conforme mostrado abaixo, o preenchimento retroativo da série temporal relacionada é definido como um valor de 2 da seguinte maneira: "backfill": "value" e "backfill_value":"2".

[
    {
        "AttributeName": "target_value",
        "FeaturizationPipeline": [
            {
                "FeaturizationMethodName": "filling",
                "FeaturizationMethodParameters": {
                    "aggregation": "sum",
                    "middlefill": "zero",
                    "backfill": "zero"
                }
            }
        ]
    },
    {
        "AttributeName": "price",
        "FeaturizationPipeline": [
            {
                "FeaturizationMethodName": "filling",
                "FeaturizationMethodParameters": {
                    "middlefill": "median",
                    "backfill": "value",
                    "backfill_value": "2",
                    "futurefill": "max"               
                    }
            }
        ]
    }
]