Langkah 3: Pembuatan prediktor
Prediktor dapat dibuat dalam dua cara: menjalankan AutoML atau secara manual memilih salah satu dari enam algoritme bawaan Amazon Forecast. Saat menjalankan AutoML, pada saat penulisan dokumen ini, Amazon Forecast secara otomatis menguji enam algoritme bawaan dan memilih algoritme yang memiliki kesalahan kuantil rata-rata terendah dalam kuantil ke-10, ke-50 (median), dan ke-90.
Amazon Forecast menawarkan empat model lokal:
Model lokal adalah metode prakiraan yang sesuai dengan satu model untuk setiap deret waktu individu (atau kombinasi item/dimensi tertentu), kemudian menggunakan model tersebut untuk mengekstrapolasi deret waktu ke masa depan.
ARIMA dan ETS adalah versi model lokal populer yang dapat diskalakan dari paket prakiraan R. NPTS, metode lokal yang dikembangkan di Amazon, memiliki perbedaan utama jika dibandingkan dengan model lokal lainnya. Berbeda dengan prediktor musiman sederhana, yang memberikan prakiraan titik dengan mengulangi nilai terakhir atau nilai pada musiman yang sesuai, NPTS menghasilkan prakiraan probabilistik. NPTS menggunakan indeks waktu tetap, di mana indeks sebelumnya (T - 1) atau musim lalu (T - tau) adalah prediksi untuk langkah waktu T. Algoritme secara acak mengambil sampel indeks waktu (t) di set {0, ..., T - 1} untuk menghasilkan sampel untuk langkah waktu T saat ini. NPTS sangat efektif untuk deret waktu intermiten (kadang-kadang juga disebut jarang) dengan banyak nol. Prakiraan juga mencakup implementasi Python Prophet, model deret waktu struktural Bayesian.
Amazon Forecast menawarkan dua algoritme deep learning global:
Model global melatih satu model di seluruh koleksi deret waktu dalam set data. Hal ini sangat berguna ketika ada deret waktu yang serupa di satu set unit lintas seksional. Misalnya, pengelompokan deret waktu permintaan untuk permintaan halaman web, beban server, dan produk yang berbeda.
Secara umum, seiring bertambahnya jumlah deret waktu, efikasi CNN-QR dan DeepAR+ meningkat. Hal ini tidak selalu terjadi untuk model lokal. Model deep learning juga dapat digunakan untuk menghasilkan prakiraan untuk SKU baru dengan sedikit atau tanpa data penjualan historis. Hal ini dikenal sebagai prakiraan Cold Start
Bandingkan algoritme yang tersedia di Amazon Forecast
Untuk informasi lebih lanjut tentang deret waktu terkait, lihat Deret Waktu Terkait.
