Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Forecast un modèle de pilote automatique déployé
Après avoir entraîné vos modèles à l'aide de l'API AutoML, vous pouvez les déployer pour des prévisions en temps réel ou par lots.
L'API AutoML forme plusieurs modèles candidats pour vos données de séries chronologiques et sélectionne un modèle de prévision optimal en fonction de votre indicateur objectif cible. Une fois que vos candidats modèles ont été formés, vous pouvez trouver le meilleur candidat dans la réponse DescribeAutoMLJobV2 à l'adresse BestCandidate.
Pour obtenir des prévisions à l'aide de ce modèle le plus performant, vous pouvez soit configurer un point de terminaison pour obtenir des prévisions de manière interactive, soit utiliser des prévisions par lots pour établir des prévisions sur un lot d'observations.
Considérations
-
Lorsque vous fournissez des données d'entrée pour les prévisions, le schéma de vos données doit rester le même que celui utilisé pour entraîner votre modèle, y compris le nombre de colonnes, les en-têtes de colonne et les types de données. Vous pouvez prévoir un article existant ou nouveau IDs dans une plage d'horodatage identique ou différente pour une période différente.
-
Les modèles de prévision établissent des prévisions pour les points de l'horizon de prévision futurs spécifiés dans la demande d'entrée lors de l'entraînement, c'est-à-dire entre la date de fin cible et la date de fin cible + horizon de prévision. Pour utiliser le modèle pour prédire des dates spécifiques, vous devez fournir les données dans le même format que les données d'entrée d'origine, jusqu'à une date de fin cible spécifiée. Dans ce scénario, le modèle commencera à prédire à partir de la nouvelle date de fin cible.
Par exemple, si votre jeu de données contenait des données mensuelles de janvier à juin avec un horizon de prévision de 2, le modèle prédirait la valeur cible pour les 2 prochains mois, à savoir juillet et août. Si, en août, vous souhaitez effectuer des prévisions pour les deux prochains mois, cette fois, vos données d'entrée devraient être de janvier à août et le modèle effectuera des prévisions pour les 2 prochains mois (septembre et octobre).
-
Lors de la prévision des points de données futurs, il n'existe pas de quantité minimale de données historiques à fournir. Incluez suffisamment de données pour saisir les tendances saisonnières et récurrentes de vos séries chronologiques.
