Algoritmos de Amazon Forecast

Un predictor de Amazon Forecast utiliza un algoritmo para entrenar un modelo con sus conjuntos de datos de series temporales. A continuación, el modelo entrenado se utiliza para generar métricas y predicciones.

Si no está seguro de qué algoritmo usar para entrenar su modelo, elija AutoML al crear un predictor y deje que Forecast entrene el modelo óptimo para sus conjuntos de datos. De lo contrario, puede seleccionar de forma manual uno de los algoritmos de Amazon Forecast.

Cuadernos de Python

Para obtener una guía paso a paso sobre el uso de AutoML, consulte Introducción a AutoML.

Algoritmos de previsión integrados

Amazon Forecast ofrece seis algoritmos integrados entre los que puede elegir. Estos van desde algoritmos estadísticos de uso común, como Autoregressive Integrated Moving Average (ARIMA), hasta algoritmos complejos de redes neuronales, como CNN-QR y DeepAR+.

CNN-QR

arn:aws:forecast:::algorithm/CNN-QR

CNN-QR de Amazon Forecast, Red neuronal convolucional (regresión cuantil), es un algoritmo de machine learning patentado que permite pronosticar series temporales mediante redes neuronales convolucionales causales (CNN). CNN-QR funciona mejor con conjuntos de datos grandes que contienen cientos de series temporales. Acepta metadatos de artículos y es el único algoritmo de Forecast que acepta datos de series temporales relacionadas sin valores futuros.

DeepAR+

arn:aws:forecast:::algorithm/Deep_AR_Plus

DeepAR+ de Amazon Forecast es un algoritmo de machine learning patentado para pronosticar series temporales mediante redes neuronales recurrentes (RNN). DeepAR+ funciona mejor con conjuntos de datos grandes que contienen cientos de series temporales de características. El algoritmo acepta series temporales y metadatos de artículos relacionados con el futuro.

Prophet

arn:aws:forecast:::algorithm/Prophet

Prophet es un algoritmo de previsión de series temporales basado en un modelo aditivo en el que las tendencias no lineales se ajustan a la estacionalidad anual, semanal y diaria. Funciona mejor con series temporales con fuertes efectos estacionales y con una cantidad de datos históricos que refleje varios periodos estacionales.

NPTS

arn:aws:forecast:::algorithm/NPTS

El algoritmo patentado Non-Parametric Time Series (NPTS) de Amazon es un analista probabilístico escalable de referencia. El NPTS resulta especialmente útil cuando se trabaja con series temporales dispersas o intermitentes. Forecast proporciona cuatro variantes de algoritmo: NPTS estándar, NPTS estacional, Analista climatológico y Analista climatológico estacional.

ARIMA

arn:aws:forecast:::algorithm/ARIMA

Autoregressive Integrated Moving Average (ARIMA) es un algoritmo estadístico local de uso común para la predicción de series temporales. Resulta especialmente útil para conjuntos de datos simples con menos de 100 series temporales.

ETS

arn:aws:forecast:::algorithm/ETS

Suavizamiento exponencial (ETS) es un algoritmo estadístico local de uso común para la predicción de series temporales. El algoritmo es especialmente útil para conjuntos de datos simples con menos de 100 series temporales y conjuntos de datos con patrones de estacionalidad. El ETS calcula un promedio ponderado sobre todas las observaciones en el conjunto de datos de las series temporales como su predicción, y la ponderación decrece exponencialmente a lo largo del tiempo.

Comparación de los algoritmos de Forecast

Utilice la siguiente tabla para encontrar la mejor opción para sus conjuntos de datos de series temporales.

	Redes neuronales		Algoritmos locales flexibles	Algoritmo de referencia
	CNN-QR	DeepAR+	Prophet	NPTS	ARIMA	ETS
Proceso de entrenamiento computacionalmente intensivo	Alta	Alta	Media	Baja	Baja	Baja
Acepta series temporales relacionadas históricas*
Acepta series temporales relacionadas prospectivas*
Acepta metadatos de artículos (color del producto, marca, etc.)
Acepta las características integradas del índice meteorológico
Adecuado para conjuntos de datos dispersos
Realiza la optimización de hiperparámetros (HPO)
Permite anular los valores de hiperparámetros predeterminados

*Para obtener más información sobre series temporales relacionadas, consulte Series temporales relacionadas.