Algoritmos do Amazon Forecast

Um preditor do Amazon Forecast usa um algoritmo para treinar um modelo com seus conjuntos de dados de séries temporais. O modelo treinado é, então, usado para gerar métricas e previsões.

Se você não tiver certeza de qual algoritmo deve usar para treinar seu modelo, escolha AutoML ao criar um preditor e deixe o Forecast treinar o modelo ideal para seus conjuntos de dados. Caso contrário, é possível selecionar um dos algoritmos do Amazon Forecast manualmente.

Cadernos Python

Para obter um guia passo a passo sobre o uso do AutoML, consulte Conceitos básicos do AutoML.

Algoritmos integrados do Forecast

O Amazon Forecast fornece seis algoritmos integrados para você escolher. Eles variam de algoritmos estatísticos comumente usados, como Autoregressive Integrated Moving Average (ARIMA), a algoritmos complexos de redes neurais, como CNN-QR e DeepAr+.

CNN-QR

arn:aws:forecast:::algorithm/CNN-QR

O CNN-QR (Convolutional Neural Network - Quantile Regression) do Amazon Forecast é um algoritmo de machine learning proprietário que prevê séries temporais usando redes neurais convolucionais (CNNs) causais. O CNN-QR funciona melhor com grandes conjuntos de dados contendo centenas de séries temporais. Ele aceita metadados de itens e é o único algoritmo do Forecast que aceita dados de séries temporais relacionados sem valores futuros.

DeepAR+

arn:aws:forecast:::algorithm/Deep_AR_Plus

A DeepAR+ do Amazon Forecast é um algoritmo de machine learning proprietário que prevê séries temporais por meio de redes neurais recorrentes (RNNs). O DeepAR+ funciona melhor com grandes conjuntos de dados contendo centenas de séries temporais de recursos. O algoritmo aceita séries temporais prospectivas relacionadas e metadados de itens.

Prophet

arn:aws:forecast:::algorithm/Prophet

O Prophet é um algoritmo de previsão de séries temporais baseado em um modelo aditivo em que as tendências não lineares se ajustam à sazonalidade anual, semanal e diária. Ele funciona melhor com séries temporais que tenham fortes efeitos sazonais e várias temporadas de dados históricos.

NPTS

arn:aws:forecast:::algorithm/NPTS

O algoritmo proprietário Non-Parametric Time Series (NPTS) do Amazon Forecast é um previsor escalável de linha de base probabilística. O NPTS é especialmente útil no trabalho com séries temporais esparsas ou intermitentes. O Forecast fornece quatro variantes de algoritmo: Standard NPTS, Seasonal NPTS, Climatological Forecaster e Seasonal Climatological Forecaster.

ARIMA

arn:aws:forecast:::algorithm/ARIMA

O Autoregressive Integrated Moving Average (ARIMA) é um algoritmo de estatísticas comumente usado para previsão de série temporais. O algoritmo é especialmente útil para conjuntos de dados simples com menos de 100 séries temporais.

ETS

arn:aws:forecast:::algorithm/ETS

O Exponential Smoothing (ETS) é um algoritmo de estatísticas comumente usado para previsão de séries temporais. O algoritmo é especialmente útil para conjuntos de dados simples com menos de 100 séries temporais e conjuntos de dados com padrões de sazonalidade. O ETS calcula uma média ponderada sobre todas as observações no conjunto de dados de séries temporais como sua previsão, com ponderações que diminuem exponencialmente ao longo do tempo.

Comparação entre os algoritmos do Forecast

Use a tabela a seguir para encontrar a melhor opção para seus conjuntos de dados de séries temporais.

	Redes neurais		Algoritmos locais flexíveis	Algoritmos de linha de base
	CNN-QR	DeepAR+	Prophet	NPTS	ARIMA	ETS
Processo de treinamento computacionalmente intensivo	Alto	Alto	Médio	Baixo	Baixo	Baixo
Séries temporais históricas relacionadas*
Séries temporais prospectivas relacionadas*
Aceita metadados de itens (cor do produto, marca etc.)
Aceita a caracterização integrada do Weather Index
Adequado para conjuntos de dados esparsos
Executa a otimização de hiperparâmetros (HPO)
Permite substituir os valores padrão de hiperparâmetros

*Para obter mais informações sobre séries temporais relacionadas, consulte Séries temporais relacionadas.