Etapa 3: Criar um previsor
Um previsor pode ser criado de duas maneiras: executando o AutoML ou selecionando manualmente um dos seis algoritmos integrados do Amazon Forecast. Ao executar o AutoML, no momento da redação deste documento, o Amazon Forecast testa automaticamente os seis algoritmos integrados e escolhe aquele com as menores perdas médias de quantis acima dos quantis 10º, 50º (mediana) e 90º.
O Amazon Forecast oferece quatro modelos locais:
Os modelos locais são métodos de previsão que ajustam um único modelo a cada série temporal individual (ou combinações específicas de item/dimensão) e, em seguida, os usam para extrapolar as séries temporais no futuro.
O ARIMA e o ETS são versões escaláveis de modelos locais populares do pacote de previsão R. O NPTS, um método local desenvolvido na Amazon, tem uma diferença fundamental quando comparado aos demais. Ao contrário dos simples previsores sazonais, que fornecem previsões pontuais repetindo o último valor ou o valor em uma sazonalidade apropriada, o NPTS produz previsões probabilísticas. O NPTS usa um índice de tempo fixo, em que o índice anterior (T - 1) ou a temporada anterior (T - tau) é a previsão para a etapa de tempo T. O algoritmo coleta amostras de forma aleatória de um índice de tempo (t) no conjunto {0, ..., T - 1} para gerar uma amostra para a etapa de tempo atual T. O NPTS é particularmente eficaz para séries temporais intermitentes (às vezes também chamadas de esparsas) com muitos zeros. O Forecast também inclui a implementação Python do Prophet, um modelo de séries temporais estruturais Bayesiano.
O Amazon Forecast oferece dois algoritmos globais de aprendizado profundo:
Os modelos globais treinam um único modelo em toda a coleção de séries temporais em um conjunto de dados. Isso é útil especialmente quando há séries temporais semelhantes em um conjunto de unidades transversais. Por exemplo, os agrupamentos de séries temporais exigem diferentes produtos, cargas de servidor e solicitações de páginas da web.
Em geral, à medida que o número de séries temporais aumenta, a eficácia do CNN-QR e do DeepAR+ aumenta. Isso nem sempre acontece com os modelos locais. Os modelos de aprendizado profundo também podem ser usados para gerar previsões para novas SKUs com pouco ou nenhum dado histórico de vendas. Isso é conhecido como previsão de partidas a frio
Compare os algoritmos disponíveis no Amazon Forecast
Para obter mais informações sobre as séries temporais relacionadas, consulte Séries temporais relacionadas.
