2단계: 예측기 생성
예측기는 AutoML을 실행하거나 내장된 6가지 Amazon Forecast 알고리즘 중 하나를 수동으로 선택하는 두 가지 방법을 통해 생성할 수 있습니다. 이 문서 작성 시점에서, AutoML을 실행할 때 Amazon Forecast는 6개의 내장 알고리즘을 자동으로 테스트하고 10번째, 50번째(중앙값) 및 90번째 분위 중에서 평균 분위 손실이 가장 낮은 알고리즘을 선택합니다.
Amazon Forecast는 네 가지 로컬 모델을 제공합니다.
로컬 모델은 단일 모델을 각 개별 시계열(또는 특정 항목/차원 조합)에 맞춘 다음 해당 모델을 사용하여 시계열을 미래로 추정하는 예측 방법입니다.
ARIMA 및 ETS는 R 예측 패키지의 인기 로컬 모델을 확장 가능한 버전으로 제공합니다. Amazon에서 개발한 로컬 방법인 NPTS는 다른 로컬 모델과 비교했을 때 핵심적인 차이가 있습니다. 마지막 값이나 적절한 계절성 값을 반복하여 포인트 예측을 제공하는 단순한 계절 예측기와 달리 NPTS에서는 확률적 예측을 생성합니다. NPTS는 고정 시간 인덱스를 사용하며, 여기서 이전 인덱스(T - 1) 또는 지난 시즌(T - tau)이 시간 단계 T에 대한 예측값입니다. 알고리즘은 집합 {0,..., T - 1} 의 시간 인덱스 (t)를 무작위로 샘플링하여 현재 시간 단계 T에 대한 표본을 생성합니다. NPTS는 0이 많은 간헐적(희소라고도 함) 시계열에 특히 효과적입니다. Forecast에는 베이지안 구조적 시계열 모델인 Prophet의 Python 구현도 포함됩니다.
Amazon Forecast는 두 가지 글로벌 딥 러닝 알고리즘을 제공합니다.
글로벌 모델은 데이터 세트의 전체 시계열 컬렉션에 대해 단일 모델을 학습시킵니다. 이는 횡단면 단위 집합에 유사한 시계열이 있을 때 특히 유용합니다. 이러한 시계열 그룹화에는 다양한 제품, 서버 로드 및 웹 페이지에 대한 요청이 필요합니다.
일반적으로 시계열 수가 증가할수록 CNN-QR과 DeepAR+의 효능이 증가합니다. 로컬 모델의 경우 항상 그런 것은 아닙니다. 딥 러닝 모델을 사용하여 과거 판매 데이터가 거의 없거나 전혀 없는 상태에서 신규 SKU에 대한 예측을 생성할 수도 있습니다. 이를 콜드 스타트 예측
Amazon Forecast에서 사용할 수 있는 알고리즘 비교
관련 시계열을 자세히 알아보려면 관련 시계열을 참조하세요.
