本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
Forecast 已部署的自动驾驶模型
使用 AutoML 训练模型后API，您可以将其部署以进行实时预测或基于批次的预测。
AutoML 为您的时间序API列数据训练多个候选模型，并根据目标目标指标选择最佳预测模型。您的模型候选人经过培训后，可以在以下位置的响应DescribeAutoMLJobV2中找到最佳候选对象BestCandidate。
要使用此性能最佳的模型获得预测，您可以设置端点以交互方式获取预测，也可以使用批量预测对一批观测值进行预测。
注意事项
-
在提供用于预测的输入数据时，数据的架构应与用于训练模型的架构相同，这包括列数、列标题和数据类型。您可以预测相同或不同时间戳范围IDs内的现有或新物料，以预测不同的时间段。
-
预测模型针对训练时在输入请求中指定的未来预测范围点进行预测，该范围从目标结束日期开始，到目标结束日期 + 预测范围结束。要使用模型来预测特定日期，您应提供与原始输入数据格式相同的数据，并延伸到指定的目标结束日期。在这种情况下，模型将从新的目标结束日期开始预测。
例如，如果您的数据集包含从 1 月到 6 月的每月数据，而预测范围为 2，则模型将预测未来 2 个月（即 7 月和 8 月）的目标值。如果在 8 月，您想预测未来 2 个月，那么此时您的输入数据应该是从 1 月到 8 月，模型将预测未来 2 个月（9 月、10 月）。
-
在预测 future 数据点时，没有设定要提供的最低历史数据量。包括足够的数据，以捕捉时间序列中的季节性和重复性模式。
