Fase 3: creazione di un predittore
Un predittore può essere creato in due modi: eseguendo AutoML o selezionando manualmente uno dei sei algoritmi Amazon Forecast predefiniti. Al momento della stesura di questo documento, durante l'esecuzione di AutoML Amazon Forecast prova automaticamente i sei algoritmi predefiniti e sceglie quello con le perdite quantiliche medie più basse rispetto al 10°, 50° (mediano) e 90° quantile.
Amazon Forecast offre quattro modelli locali:
I modelli locali sono metodi di previsione che adattano un singolo modello a ogni serie temporale (o a ogni specifica combinazione di articolo/dimensione) e quindi usano questi modelli per estrapolare la serie temporale nel futuro.
I modelli ARIMA ed ETS sono versioni scalabili dei modelli locali più diffusi del pacchetto di previsioni R. Il modello NPTS, un metodo locale sviluppato da Amazon, presenta una differenza fondamentale rispetto agli altri modelli locali. A differenza dei semplici modelli di previsione stagionali, che forniscono previsioni puntuali ripetendo l'ultimo valore o il valore in corrispondenza di una stagionalità appropriata, NPTS produce previsioni probabilistiche. NPTS usa un indice temporale fisso, in cui l'indice precedente (T - 1) o la stagione passata (T - tau) è la previsione della fase temporale T. L'algoritmo campiona in modo casuale un indice temporale (t) nel set {0,..., T - 1} per generare un campione per l'attuale fase temporale T. NPTS è particolarmente efficace per serie temporali intermittenti (a volte note anche come sparse) con molti zeri. Forecast include anche l'implementazione Python di Prophet, un modello di serie temporale strutturale bayesiano.
Amazon Forecast offre due algoritmi di deep learning globali:
I modelli globali addestrano un singolo modello sull'intera raccolta di serie temporali in un set di dati. Sono particolarmente utili quando sono presenti serie temporali simili in un insieme di unità trasversali, ad esempio raggruppamenti di serie temporali della domanda per diversi prodotti, carichi di server e richieste di pagine Web.
In generale, con l'aumentare del numero di serie temporali, aumenta l'efficacia dei modelli CNN-QR e DeepAr+. Questo non sempre avviene per i modelli locali. I modelli di deep learning possono essere usati anche per generare previsioni per nuovi SKU con nessuno o pochi dati di vendita cronologici. Queste sono note come previsioni di chiamate a freddo
Confronto degli algoritmi disponibili in Amazon Forecast
Per ulteriori informazioni sulle serie temporali correlate, consulta questa pagina.
