Étape 3 : Créer un prédicteur
Un prédicteur peut être créé de deux manières : en exécutant AutoML ou en sélectionnant manuellement l'un des six algorithmes intégrés d'Amazon Forecast. Lors de l'exécution d'AutoML, au moment de la rédaction de ce document, Amazon Forecast teste automatiquement les six algorithmes intégrés et choisit celui qui présente les plus faibles pertes moyennes sur les quantiles 10, 50 (médiane) et 90.
Amazon Forecast propose quatre modèles locaux :
Les modèles locaux sont des méthodes de prévision qui adaptent un modèle unique à chaque série temporelle individuelle (ou à une combinaison article/dimension spécifique), puis utilisent ces modèles pour extrapoler les séries temporelles dans le futur.
ARIMA et ETS sont des versions évolutives de modèles locaux populaires issus du package de prévisions R. NPTS, une méthode locale développée par Amazon, présente une différence majeure par rapport aux autres modèles locaux. Contrairement aux simples prévisionnistes saisonniers, qui fournissent des prévisions ponctuelles en répétant la dernière valeur ou la valeur à une saisonnalité appropriée, NPTS produit des prévisions probabilistes. NPTS utilise un indice temporel fixe, où l'indice précédent (T - 1) ou la saison passée (T - tau) représente la prédiction pour l'intervalle de temps T. L'algorithme échantillonne aléatoirement un indice temporel (t) dans l'ensemble {0, ..., T - 1} pour générer un échantillon pour l'intervalle de temps actuel T. NPTS est particulièrement efficace pour les séries temporelles intermittentes (parfois aussi appelées « sparse ») comportant de nombreux zéros. Forecast comprend également la mise en œuvre en Python de Prophet, un modèle structurel bayésien de séries temporelles.
Amazon Forecast propose deux algorithmes globaux de deep learning :
Les modèles globaux entraînent un seul modèle sur l'ensemble des séries temporelles d'un jeu de données. Ceci est particulièrement utile lorsqu'il existe des séries temporelles similaires dans un ensemble d'unités transversales. Par exemple, des regroupements de séries temporelles de la demande de différents produits, des charges de serveurs et des requêtes de pages web.
En général, plus le nombre de séries temporelles augmente, plus l'efficacité de CNN-QR et de DeepAR+ augmente. Ce n'est pas toujours le cas pour les modèles locaux. Les modèles de deep learning peuvent également générer des prévisions pour de nouvelles références avec peu ou pas de données historiques sur les ventes. C'est ce que l'on appelle les prévisions de démarrage à froid
Comparez les algorithmes disponibles dans Amazon Forecast
Pour plus d'informations sur les séries temporelles associées, consultez Related Time Series (Série temporelle associée).
