Transformationsfunktionen

Eine Transformationsfunktion besteht aus einer Reihe von Operationen, mit denen die Zeilen in einer verwandten Zeitreihe ausgewählt und geändert werden. Sie wählen die gewünschten Zeilen mit einer Bedingungsoperation aus. Anschließend ändern Sie die Zeilen mit einer Transformationsoperation. Alle Bedingungen werden mit einer AND-Operation verknüpft, was bedeutet, dass alle Bedingungen zutreffen müssen, damit die Transformation angewendet wird. Transformationen werden in der Reihenfolge angewendet, in der sie aufgeführt sind.

Wenn Sie eine Was-wäre-wenn-Prognose erstellen, verwenden Sie den Transformationsfunktionsgenerator, um die Bedingungen und Transformationen anzugeben, die Sie anwenden möchten. In der Abbildung unten wird diese Funktionalität veranschaulicht.

Im hervorgehobenen Bereich wird die price Spalte mit 0,90 multipliziert (d. h. ein discount von 10%) im Geschäft in tacoma (d. h. Tacoma, Washington) für farbige Artikel. blue Zu diesem Zweck erstellt Amazon Forecast zunächst eine Teilmenge der auf den Basisplan bezogenen Zeitreihen, die nur die Zeilen store dieser Zeitreihe enthält. tacoma

Diese Teilmenge wird weiter reduziert, sodass sie nur noch die Zeilen enthält, die dem gleichen Wert entsprechen. color blue Schließlich werden alle Werte in der price Spalte mit 0,90 multipliziert, um eine neue zugehörige Zeitreihe zu erstellen, die in der Was-wäre-wenn-Prognose verwendet werden kann.

Amazon Forecast unterstützt die folgenden Bedingungen:

• EQUALS- Der Wert in der Spalte entspricht dem Wert, der in der Bedingung angegeben wurde.

• NOT_EQUALS- Der Wert in der Spalte entspricht nicht dem Wert, der in der Bedingung angegeben wurde.

• LESS_THAN- Der Wert in der Spalte ist kleiner als der Wert, der in der Bedingung angegeben wurde.

• GREATER_THAN- Der Wert in der Spalte ist größer als der Wert, der in der Bedingung angegeben wurde.

Amazon Forecast unterstützt die folgenden Aktionen:

• ADD- Fügt den angegebenen Wert allen Zeilen in der Spalte hinzu.

• SUBTRACT- Subtrahiert den angegebenen Wert von allen Zeilen in der Spalte.

• MULTIPLY- Multipliziert alle Zeilen in der Spalte mit dem angegebenen Wert.

• DIVIDE- Dividiert alle Zeilen in der Spalte durch den angegebenen Wert.

Im Folgenden finden Sie Beispiele dafür, wie Sie eine Zeitreihentransformation mithilfe des SDK angeben können.

Example 1

In diesem Beispiel wird ein discount von 10% auf alle Artikel im Geschäft in Seattle gewährt. Beachten Sie, dass „Stadt“ eine Prognosedimension ist.

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

Example 2

In diesem Beispiel wird ein discount von 10% auf alle Artikel der Kategorie „Elektronik“ gewährt. Beachten Sie, dass es sich bei „product_category“ um Metadaten eines Artikels handelt.

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

Example 3

In diesem Beispiel wird ein Aufschlag von 20% auf die spezifische item_id K angewendet. BOA21314

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

Example 4

In diesem Beispiel wird allen Artikeln in den Geschäften in Seattle und Bellevue 1$ hinzugefügt.

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

In diesem Beispiel wird 1$ von allen Artikeln in Seattle im September 2022 abgezogen.

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

In diesem Beispiel wird der Preis zuerst mit 10 multipliziert, dann werden 5$ vom Preis abgezogen. Beachten Sie, dass Aktionen in der Reihenfolge angewendet werden, in der sie deklariert wurden.

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

In diesem Beispiel wird ein leerer Satz erstellt, sodass die Aktion auf keine Zeitreihen angewendet wird. Dieser Code versucht, den Preis aller Artikel in den Geschäften in Seattle und Bellevue zu ändern. Da Bedingungen mit der AND-Operation verknüpft sind und ein Geschäft nur in einer Stadt existieren kann, sind die Ergebnisse ein leerer Satz. Daher wird die Aktion nicht angewendet.

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

Ein Beispiel für die Anwendung einer Bedingung auf mehrere Attribute finden Sie in Beispiel 4.

Example 8

Transformationsbedingungen, die einen Zeitstempel verwenden, gelten für die an Grenzen ausgerichteten Daten, nicht für die Rohdaten. Sie geben Ihre Daten beispielsweise stündlich und die Prognose täglich ein. In diesem Fall richtet Forecast die Zeitstempel auf den Tag aus, also 2020-12-31 01:00:00 auf den Tag. 2020-12-31 00:00:00 Mit diesem Code wird ein leerer Satz erstellt, da er den Zeitstempel nicht an der Grenze festlegt.

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