Amazon Forecast 不再提供給新客戶。Amazon Forecast 的現有客戶可以繼續正常使用服務。[進一步了解」](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/)
本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
# 入門 (AWS CLI)
在本練習中，您可以使用 AWS Command Line Interface (AWS CLI) 來探索 Amazon Forecast。您可以建立 Amazon Forecast 資料集、訓練預測器，並使用產生的預測器來產生預測。開始之前，請確認您有 AWS 帳戶 且已設定 AWS CLI。如需詳細資訊，請參閱[設定](setup.md)。
**注意**
此練習中的 AWS CLI 命令已在 Linux 上測試。如需在 Windows 上使用 AWS CLI 命令的相關資訊，請參閱*AWS Command Line Interface 《 使用者指南*》中的[為 指定參數值 AWS Command Line Interface](https://docs.aws.amazon.com/cli/latest/userguide/cli-using-param.html)。
## 步驟 1：匯入訓練資料
首先建立資料集，並匯入用電量資料。
**建立 Amazon Forecast 資料集**
1. 決定適合的網域和資料集類型。
您將匯入到資料集的訓練資料，會影響您的資料集網域和類型的選擇。因此，讓我們來檢視幾個用電量資料的範例列。
```
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
```
資料格式為 CSV (逗號分隔值)，並且每小時收集一次 (如時間戳記所示)。它包含下列欄位：
+ 欄 1 – 顯示何時記錄用電量的時間戳記。
+ 第 2 欄 – 每小時用電量值 （請注意時間戳記值如何以小時為單位增加）。
+ 第 3 欄 – 用戶端 ID 值，用來識別使用電力的客戶。
對於此資料，選擇下列預先定義的資料集網域和資料集類型：
+ 自訂網域 – METRICS、RETAIL 或 WEB\$1TRAFFIC 等資料集網域都不適用於此資料，因此請選擇自訂網域。
+ 目標時間序列類型 – 資料是時間序列，因為它會追蹤一段時間內的用電量。它還包含我們希望預測的*目標* (欄 2，用電量)。因此，選擇目標時間序列資料集類型。
若要了解為什麼您選擇此類型，請參閱[預先定義的資料集網域和資料集類型](howitworks-domains-ds-types.md)。
1. 決定資料集的結構描述。
[CUSTOM 網域](custom-domain.md) 的目標時間序列類型需要這些欄位；`timestamp`、`target_value` 和 `item_id`。`target_value` 欄位是目標。Amazon Forecast 會產生此欄位的預測。
若要將必要欄位映射至資料中的欄，您需要建立結構描述。結構描述中的每個*屬性*都會映射到資料中的欄位。
**重要**
結構描述中屬性的順序必須符合訓練資料中欄位的順序。
```
{
"Attributes":[
{
"AttributeName": "timestamp",
"AttributeType": "timestamp"
},
{
"AttributeName": "target_value",
"AttributeType": "float"
},
{
"AttributeName": "item_id",
"AttributeType": "string"
}
]
}
```
您現在擁有建立資料集以及匯入資料所需的資訊。
1. 建立資料集。
```
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"
}
]
}'
```
在請求中，`data-frequency` 值 `H` 代表每小時一次的資料收集頻率。以下是回應範例。
```
{
"DatasetArn": "arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds"
}
```
如需此操作的詳細資訊，請參閱[CreateDataset](API_CreateDataset.md)。
1. (選用) 取得資料集的描述。
```
aws forecast describe-dataset \
--dataset-arn arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds
```
以下是回應範例。
```
{
"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"
}
```
**注意**
回應中鍵值對的順序是任意的。
1. 建立資料集群組並將資料集新增至其中。`domain` 參數的值必須符合資料集的 `domain`。
```
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
```
以下是回應範例。
```
{
"DatasetGroupArn": "arn:aws:forecast:us-west-2:acct-id:dataset-group/electricity_ds_group"
}
```
如需此操作的詳細資訊，請參閱[CreateDatasetGroup](API_CreateDatasetGroup.md)。
1. (選用) 取得資料集群組的描述。
```
aws forecast describe-dataset-group \
--dataset-group-arn arn:aws:forecast:us-west-2:acct-id:dataset-group/electricity_ds_group
```
以下是回應範例。
```
{
"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. 將電力用量訓練資料從 Amazon S3 儲存貯體匯入資料集。您提供的 IAM 角色必須具有從 S3 儲存貯體讀取資料的許可。如需如何建立 IAM 角色的資訊，請參閱 [建立 Amazon Forecast 的 IAM 角色 (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"
}
}'
```
以下是 `data-source` 參數的速記語法。
```
--data-source S3Config="{Path='s3://bucket/electricityusagedata.csv',RoleArn='arn:aws:iam::acct-id:role/Role'}"
```
以下是回應範例。
```
{
"DatasetImportJobArn": "arn:aws:forecast:us-west-2:acct-id:dataset-import-job/electricity_demand_ds/electricity_ds_import_job"
}
```
如需此操作的詳細資訊，請參閱[CreateDatasetImportJob](API_CreateDatasetImportJob.md)。
1. 檢查匯入狀態。
```
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
```
以下是回應範例。
```
{
"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"
}
```
匯入所有資料後，狀態會變更為 ACTIVE (作用中)，回應會包含資料的統計資料，如以下範例所示。
```
{
"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
}
},
...
}
```
**重要**
您必須等到狀態為 ACTIVE (作用中)，才能使用資料集群組建立預測器。
如需此操作的詳細資訊，請參閱[DescribeDatasetImportJob](API_DescribeDatasetImportJob.md)。
## 步驟 2：建立預測器
若要建立預測器，您可以使用 [CreateAutoPredictor](API_CreateAutoPredictor.md) 操作，並提供下列資訊。
+ **預測器名稱** – 為預測器命名，以便與其他預測器區分開來
+ **資料集群組** – 您在上一個步驟中建立資料集群組。
+ **預測頻率** – 預測的精細程度 （每小時、每日、每週等）。
+ **預測時間範圍** – 預測的步驟次數。
建立預測器後，您將檢閱 Amazon Forecast 所產生的準確性指標。此指標可協助您決定是否要使用該預測器來產生預測。如需預測器的詳細資訊，請參閱[訓練預測器](howitworks-predictor.md)。
**建立預測器和檢閱準確性指標**
1. 建立預測器。
```
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
```
以下是回應範例。
```
{
"PredictorArn": "arn:aws:forecast:us-west-2:acct-id:predictor/electricitypredictor"
}
```
1. 取得預測器的狀態。
```
aws forecast describe-predictor \
--predictor-arn arn:aws:forecast:us-west-2:acct-id:predictor/electricitypredictor
```
以下是回應範例。
```
{
"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"
}
}
```
**重要**
模型訓練需要一些時間。在完成訓練且預測器的狀態為 ACTIVE 之前不要繼續。
1. 取得預測器的準確性指標。
```
aws forecast get-accuracy-metrics \
--predictor-arn arn:aws:forecast:us-west-2:acct-id:predictor/electricitypredictor
```
以下是回應範例。
```
{
"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
}
]
}
]
}
```
指標會顯示每個分位數的誤差損失。例如，第一個分位數有 11.7% 的誤差。此指標也會顯示根均方誤差 (`RMSE`)。
摘要指標會顯示在所有測試時段中運算的指標平均值。因為只有一個測試時段，因此摘要和運算的指標是相等的。
如需此操作的詳細資訊，請參閱[GetAccuracyMetrics](API_GetAccuracyMetrics.md)。
## 步驟 3：建立預測
Amazon Forecast 會為資料集`item_id`中每個唯一的`target_value`欄位 （由資料集網域和類型決定） 建立預測。在這個範例中，`target_value` 欄位提供用電量，而 `item_id` 提供用戶端 ID。您可獲得依客戶的每小時用電量預測。
預測建立之後，您可以查詢單一項目，或匯出完整的預測。
**建立、擷取和匯出預測**
1. 建立預測。
```
aws forecast create-forecast \
--forecast-name electricityforecast \
--predictor-arn arn:aws:forecast:us-west-2:acct-id:predictor/electricitypredictor
```
此操作使用預測器來建立預測。在回應中，您會取得預測的 Amazon Resource Name (ARN)。您可以使用此 ARN 擷取和匯出預測。以下是回應範例。
```
{
"ForecastArn": "arn:aws:forecast:us-west-2:acct-id:forecast/electricityforecast"
}
```
如需此操作的詳細資訊，請參閱[CreateForecast](API_CreateForecast.md)。
1. 擷取 `client_1` 的預測的前兩個小時。
**注意**
服務名稱 `forecastquery` 不同於其他地方使用的服務名稱。
```
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"}'
```
此操作包含下列參數。
+ `start-date` 和 `end-date` – 指定要擷取預測的選用日期範圍。如果您不指定這些參數，操作會傳回 `client_1` 的整個預測。
+ `filters` – 指定`item_id`篩選條件以擷取 的電力預測`client_1`。
以下是 `filters` 參數的速記語法。
```
--filters item_id="client_1"
```
以下是回應範例。
```
{
"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
}
]
}
}
}
```
由於這是每小時預測，所以回應顯示每小時預測值。在回應中，請注意下列事項：
+ `mean` – 對於特定日期和時間，平均值是客戶的預測平均用電量值。
+ `p90`、 `p50`和 `p10`- 指定在指定日期和時間，實際值將低於所列值的可信度等級。例如，在 2015-01-01T01：00：00，Amazon Forecast 有 90% 的信心電力用量會低於 24.5。Amazon Forecast 50% 的確信用量會低於 20.8，而 10% 的確信用量會低於 18.5。
如需此操作的詳細資訊，請參閱[QueryForecast](API_forecastquery_QueryForecast.md)。
1. 將完整預測匯出至 Amazon S3 儲存貯體。您提供的 IAM 角色必須具有將資料寫入 S3 儲存貯體的許可。如需如何建立 IAM 角色的資訊，請參閱 [建立 Amazon Forecast 的 IAM 角色 (AWS CLI)](aws-forecast-iam-roles.md#aws-forecast-create-iam-role-with-cli)。
建立預測匯出任務。
```
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'}"
```
以下是回應範例。
```
{
"ForecastExportJobArn": "arn:aws:forecast::us-west-2:acct-id:forecast-export/64bbc087"
}
```
如需此操作的詳細資訊，請參閱[CreateForecastExportJob](API_CreateForecastExportJob.md)。
1. 取得匯出任務的狀態。
```
aws forecast describe-forecast-export-job \
--forecast-export-job-arn arn:aws:forecast:us-west-2:acct-id:forecast/electricityforecast
```
以下是回應範例。
```
{
"ForecastExportJobArn": "arn:aws:forecast::us-west-2:acct-id:forecast-export/64bbc087",
"ForecastExportJobName": "electricityforecast_exportjob",
"Status": "CREATE_IN_PROGRESS"
}
```
當狀態為 ACTIVE (作用中)，您可以在指定的 S3 儲存貯體中找到預測檔案。