預測貨運需求的架構 - AWS 方案指引

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

預測貨運需求的架構

下圖顯示解決方案的工作流程，包括資料擷取、資料準備、模型建置，以及最終輸出和監控。

ML 模型的架構圖，用於預測貨運需求

解決方案架構包含下列主要元件：

  1. 資料擷取 – 您可以將有機資料和外部資料存放在 Amazon Simple Storage Service (Amazon S3) 中。

  2. 資料準備 – Amazon SageMaker AI 會清除資料並準備 ML 模型訓練。如需詳細資訊，請參閱 SageMaker AI 文件中的準備資料。

  3. 模型建置：輸入功能預測 – SageMaker AI 使用 Prophet 為每個輸入功能產生時間序列預測。您可以檢查預測結果。如有需要，您可以提供使用者輸入來覆寫功能的預測。

  4. 模型建置：目標變數預測 – SageMaker AI 使用修改的輸入功能建立推論的迴歸模型。 

  5. 模型輸出和監控 – 迴歸模型會將預測結果輸出至 Amazon S3。您可以在 Amazon QuickSight 中視覺化預測。分析人員可以透過比較預測與實際需求量來監控預測結果並評估準確性。

從資料擷取到最終模型輸出的整個處理管道都可以協調以自動執行。例如，您可以將其設定為每月自動執行，以用於每月需求預測。如果您需要對多個產品進行預測，您可以平行執行多個產品的管道。如需詳細資訊，請參閱 SageMaker AI 文件中的實作MLOps。