Paso 3: Crear un predictor
Se puede crear un predictor de dos maneras: ejecutando AutoML o seleccionando manualmente uno de los seis algoritmos integrados de Amazon Forecast. Al ejecutar AutoML, en el momento de redactar este documento, Amazon Forecast prueba automáticamente los seis algoritmos integrados y elige el que tenga las pérdidas cuantiles medias más bajas en los cuantiles 10, 50 (mediana) y 90.
Amazon Forecast ofrece cuatro modelos locales:
Los modelos locales son métodos de previsión que ajustan un solo modelo a cada serie temporal individual (o combinación específica de elementos y dimensiones) y, a continuación, utilizan ese modelo para extrapolar las series temporales en el futuro.
ARIMA y ETS son versiones escalables de modelos locales populares del paquete de previsión R. El método NPTS, un método local desarrollado por Amazon, presenta una diferencia clave en comparación con los otros modelos locales. A diferencia de los simples previsores estacionales, que proporcionan previsiones puntuales repitiendo el último valor o el valor con una estacionalidad adecuada, el NPTS produce previsiones probabilísticas. El NPTS utiliza un índice de tiempo fijo, en el que el índice anterior (T - 1) o la temporada anterior (T - tau) es la predicción del paso temporal T. El algoritmo muestrea aleatoriamente un índice de tiempo (t) en el conjunto {0, ..., T - 1} para generar una muestra para el paso temporal actual. El método NPTS es particularmente eficaz para series temporales intermitentes (a veces también denominadas dispersas) con muchos ceros. Forecast también incluye la implementación en Python de Prophet, un modelo de series temporales estructurales bayesianas.
Amazon Forecast ofrece dos algoritmos globales de aprendizaje profundo:
Los modelos globales entrenan un solo modelo a lo largo de toda la colección de series temporales de un conjunto de datos. Esto es especialmente útil cuando hay series temporales similares en un conjunto de unidades transversales. Por ejemplo, agrupaciones en series temporales de la demanda de distintos productos, cargas de servidor y solicitudes de páginas web.
En general, a medida que se incrementa el número de series temporales, aumenta la eficacia de CNN-QR y DeepAR+. Este no es siempre el caso de los modelos locales. Los modelos de aprendizaje profundo también se pueden utilizar para generar previsiones para nuevos SKU con pocos datos históricos de ventas (o ninguno). Esto se conoce como previsión de arranque en frío
Compare los algoritmos disponibles en Amazon Forecast
Para obtener más información sobre series temporales relacionadas, consulte Series temporales relacionadas.
