第 5 步：生成和使用预测进行决策

一旦您有了满足特定使用案例所需的精度阈值（通过回溯测试确定）的模型，最后一步就是部署模型和生成预测。要在 Amazon Forecast 中部署模型，您必须运行 Create_Forecast API。此操作托管通过对整个历史数据集进行训练而创建的模型（与 Create_Predictor 不同，它会将数据拆分为训练集和测试集）。然后，可以通过两种方式使用在预测范围内生成的模型预测：

• 您可以使用 Query_Forecast API 从 AWS CLI 或直接通过 AWS Management Console，查询特定商品的预测（通过指定商品或商品/维度的组合）。

• 您可以使用 Create_Forecast_Export_Job API 为所有分位数的所有商品和维度组合生成预测。此 API 会生成一个 CSV 文件，该文件安全地存储在您选择的 Amazon Simple Storage Service（Amazon S3）位置。然后，您可以使用 CSV 文件中的数据，将它们插入用于决策的下游系统。例如，您现有的供应链系统可以直接从 Amazon Forecast 中提取输出，帮助就特定 SKU 的制造做出决策。

概率预测

Amazon Forecast 可以在不同分位数处生成预测，这在预测不足和过度预测的成本不同时特别有用。与预测器训练阶段类似，可以为 p1 到 p99 之间的分位数生成概率预测。

默认情况下，Amazon Forecast 针对预测器训练期间使用的相同分位数生成预测。如果在预测器训练期间未指定分位数，则默认情况下将在 p10、p50 和 p90 处生成预测。

对于 p10 预测，预计真实值将在 10% 的时间内低于预测值，并且 wQL[0.1] 指标可用于评测其精度。这意味着在 90% 的时间内，P10 的预测被低估了，如果用来储备库存，90% 的时间内该商品会被售完。当存储空间不足，或者投资资本成本比较高时，P10 预测可能很有用。

注意

分位数预测的正式定义是 Pr（实际值 <= 分位数 q 处的预测）= q。从技术上讲，分位数是百分位数/100。统计学家倾向于说“P90 分位数层次”，因为这比“分位数 0.9”更容易说。例如，P90 分位数层次的预测意味着可以预计实际值在 90% 的时间内小于预测值。具体而言，如果 time=t1 和 quantile-level=0.9，预测值 = 30，这意味着如果您有 1000 次模拟，则在 time= t1 时的实际值预计将在 900 次模拟中小于 30，而对于 100 次模拟，实际值预计将超过 30。

另一方面，在 90% 的时间中，P90 预测是过度预测的，当不出售商品的机会成本极高或投资资本成本很低时，它很有用。对于杂货店来说，P90 预测可能用于牛奶或厕纸之类的东西，商店永远不想售完，也不介意总是有一些留在货架上。

对于 p50 预测（通常也称为中位数预测），预计真实值将在 50% 的时间内低于预测值，并且 wQL[0.5] 指标可用于评测其精度。如果库存积压并不太令人担忧，并且对给定商品的需求适度，此时 p50 分位数预测可能很有用。

可视化

Amazon Forecast 允许在AWS Management Console中本地绘制预测。此外，您还可以利用完整的 Python 数据科学堆栈（参见 Amazon Forecast 示例）。Amazon Forecast 允许通过 ExportForecastJob API 将预测导出为 CSV 文件，这允许用户在他们选择的分析工具中对预测进行可视化。

在 Amazon Forecast 控制台中对不同的分位数提供的可视化