关于预测
在本文档中，预测意味着预测时间序列的未来值：对一个问题的输入或输出具有时间序列的性质。
预测系统
预测系统包括一组不同的用户：
-
最终用户，他们查询特定产品的预测，并决定购买多少单位；这可能是一个人，也可能是自动化系统。
-
业务分析师/商业智能，他们负责为最终用户提供支持，运行和整理汇总报告。
-
数据科学家，他们以迭代方式分析需求模式和因果关系，并添加新功能，以对模型进行渐进式改进或改进预测模型。
-
工程师，他们负责建立数据收集的基础设施，并确保系统输入数据的可用性。
Amazon Forecast 减轻了软件工程师的工作，让数据科学能力有限的企业能够利用最先进的预测技术。具有数据科学能力的企业可以利用我们提供的诸多诊断功能，通过 Amazon Forecast 很好地解决预测问题。
预测问题发生在哪里？
预测问题发生在许多自然产生时间序列数据的领域。其中包括零售、医疗分析、容量规划、传感器网络监测、财务分析、社会活动挖掘和数据库系统。例如，在大多数支持数据驱动型决策的企业中，预测在自动化和优化运营流程方面发挥着关键作用。产品供求预测可用于优化库存管理、人员调度和拓扑规划，而且通常是供应链优化大多数环节的关键技术。
下图概述了一个预测问题，该问题基于呈现模式（在本例中为季节性）的观测时间序列，并在指定时间段内创建了预测。横轴表示时间，从过去（左）到未来（右）。纵轴表示测量单位。根据过去（蓝色）到垂直的黑线，确定未来（红色）是预测任务。
预测任务概述
尝试解决预测问题之前的注意事项
在解决预测问题之前，您需要了解几个最重要的问题，包括：
-
您需要解决预测问题吗？
-
您为什么要解决预测问题？
由于时间序列数据无处不在，很容易在任何地方发现预测问题。然而，这其中存在着一个关键问题，就是是否真的需要解决预测问题，或者说，是否可以在不牺牲业务有效决策的情况下完全规避这个问题。提出这个问题很重要，因为从科学上讲，预测是机器学习中最难的问题之一。
例如，思考一下在线零售商的产品推荐。此产品推荐问题可以描述为预测问题，即对于每对客户库存单位（SKU, stock keeping unit），您预测该特定客户将购买的特定商品的单位数量。这种问题表述有很多好处。一个好处是明确考虑了时间因素，因此您可以根据客户的购买模式推荐产品。
但是，产品推荐问题很少被描述为预测问题，因为解决这样的预测问题（例如，在客户 SKU 层面上信息的稀疏程度和问题的规模）比直接解决推荐问题困难得多。因此，在考虑预测应用程序时，重要的是要考虑预测的下游使用情况，以及是否有可能使用替代方法来解决这个问题。
在这些情况下，Amazon Personalize
在确定需要解决预测问题后，接下来要问的问题是，为什么要解决预测问题？ 在许多商业环境中，预测通常只是达到目的的一种手段。例如，对于零售环境中的需求预测，预测可用于制定库存管理决策。预测问题通常是决策问题的输入，而决策问题反过来又可以建模为优化问题。
此类决策问题的示例包括，要购买的单位数量或处理现有库存的最佳方法。其他业务预测问题包括，预测服务器容量或预测制造环境中对原材料/零件的需求。这些预测可用作其他过程的输入，要么用于上述决策问题，要么用于情景模拟，然后在没有明确模型的情况下用于规划。预测本身不是目的，但也有例外。例如，在财务预测中，预测直接用于积累金融储备或呈现给投资者。
要了解预测的目的，请考虑以下问题：
-
您应该预测未来多长时间？
-
您需要多久生成一次预测？
-
预测中是否有您应该深入研究的具体方面？
