Amazon Forecast tidak lagi tersedia untuk pelanggan baru. Pelanggan Amazon Forecast yang ada dapat terus menggunakan layanan seperti biasa. [Pelajari lebih lanjut”](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/)
Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Prediktor Pelatihan
Prediktor adalah model Amazon Forecast yang dilatih menggunakan deret waktu target Anda, deret waktu terkait, metadata item, dan kumpulan data tambahan apa pun yang Anda sertakan. Anda dapat menggunakan prediktor untuk menghasilkan perkiraan berdasarkan data deret waktu Anda.
Secara default, Amazon Forecast membuat AutoPredictor, di mana Forecast menerapkan kombinasi algoritma yang optimal untuk setiap deret waktu dalam kumpulan data Anda.
**Topics**
+ [Membuat Prediktor](#creating-predictors)
+ [Upgrade ke AutoPredictor](#upgrading-autopredictor)
+ [Agregasi data untuk frekuensi perkiraan yang berbeda](data-aggregation.md)
+ [Menggunakan kumpulan data tambahan](#using-additional-datasets)
+ [Bekerja dengan prediktor lama](#legacy-predictors)
+ [Mengevaluasi Akurasi Prediktor](metrics.md)
+ [Prediktor Pelatihan Ulang](retrain-predictors.md)
+ [Indeks Cuaca](weather.md)
+ [Featurisasi Liburan](holidays.md)
+ [Penjelasan Prediktor](predictor-explainability.md)
+ [Pemantauan Prediktor](predictor-monitoring.md)
+ [Algoritma Amazon Forecast](aws-forecast-choosing-recipes.md)
## Membuat Prediktor
Amazon Forecast membutuhkan masukan berikut untuk melatih prediktor:
+ Grup **Dataset — Grup** kumpulan data yang harus menyertakan kumpulan data deret waktu target. Dataset deret waktu target mencakup atribut target (`item_id`) dan atribut timestamp, serta dimensi apa pun. Deret waktu terkait dan metadata Item adalah opsional. Untuk informasi selengkapnya, lihat [Mengimpor Dataset](howitworks-datasets-groups.md).
+ **Frekuensi Forecast** — Perincian perkiraan Anda (per jam, harian, mingguan, dll). Amazon Forecast memungkinkan Anda menentukan perincian yang tepat dari perkiraan Anda saat Anda memberikan unit frekuensi dan nilai. Hanya nilai integer yang diizinkan
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/howitworks-predictor.html)
Misalnya, jika Anda menginginkan perkiraan setiap minggu, unit frekuensi Anda mingguan dan nilainya 2. Atau, jika Anda menginginkan perkiraan triwulanan, unit frekuensi Anda bulanan dan nilainya 3.
Ketika data Anda dikumpulkan pada frekuensi yang lebih besar daripada frekuensi perkiraan, itu digabungkan ke frekuensi perkiraan. Ini termasuk deret waktu tambahan dan data deret waktu terkait. Untuk informasi lebih lanjut tentang agregasi, lihat[Agregasi data untuk frekuensi perkiraan yang berbeda](data-aggregation.md).
+ **Forecast horizon** — Jumlah langkah waktu yang diperkirakan.
Anda juga dapat menetapkan nilai untuk input opsional berikut:
+ **Batas penyelarasan waktu** — Time boundary Forecast digunakan untuk mengumpulkan data Anda dan menghasilkan perkiraan yang selaras dengan frekuensi perkiraan yang Anda tentukan. Untuk informasi lebih lanjut tentang agregasi, lihat[Agregasi data untuk frekuensi perkiraan yang berbeda](data-aggregation.md). Untuk informasi tentang menentukan batas waktu lihat. [Batas Waktu](data-aggregation.md#time-boundaries)
+ **Dimensi Forecast** - Dimensi adalah atribut opsional dalam kumpulan data deret waktu target Anda yang dapat digunakan dalam kombinasi dengan nilai target (`item_id`) untuk membuat deret waktu terpisah.
+ **Jenis Forecast** — Kuantil yang digunakan untuk mengevaluasi prediktor Anda.
+ **Metrik optimasi — Metrik** akurasi yang digunakan untuk mengoptimalkan prediktor Anda.
+ **Kumpulan data tambahan — Kumpulan** data Amazon Forecast bawaan seperti Indeks Cuaca dan Liburan.
Anda dapat membuat prediktor menggunakan Software Development Kit (SDK) atau konsol Amazon Forecast.
------
#### [ Console ]
**Untuk membuat prediktor**
1. Masuk ke Konsol Manajemen AWS dan buka konsol Amazon Forecast di [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Dari grup **Dataset, pilih grup kumpulan** data Anda.
1. Di panel navigasi, pilih **Prediktor**.
1. Pilih **Latih prediktor baru**.
1. Berikan nilai untuk bidang wajib berikut:
+ **Nama - nama** prediktor yang unik.
+ **Frekuensi Forecast** - perincian perkiraan Anda.
+ **Forecast horizon** - Jumlah langkah waktu untuk memperkirakan.
1. Pilih **Mulai**.
Untuk informasi tentang kumpulan data tambahan, lihat [Indeks Cuaca](weather.md) dan. [Featurisasi Liburan](holidays.md) Untuk mempelajari lebih lanjut tentang menyesuaikan jenis perkiraan dan metrik pengoptimalan, lihat. [Mengevaluasi Akurasi Prediktor](metrics.md)
------
#### [ AWS CLI ]
Untuk membuat prediktor otomatis dengan AWS CLI, gunakan `create-predictor` perintah. Kode berikut membuat prediktor otomatis yang membuat prediksi selama 14 hari di masa depan.
Berikan nama untuk prediktor dan Nama Sumber Daya Amazon (ARN) grup kumpulan data yang menyertakan data pelatihan Anda. Secara opsional memodifikasi cakrawala perkiraan dan frekuensi perkiraan. Secara opsional tambahkan tag apa pun untuk prediktor. Untuk informasi selengkapnya, lihat [Menandai Sumber Daya Amazon Forecast](tagging-forecast-resources.md).
Untuk informasi tentang parameter wajib dan opsional, lihat[CreateAutoPredictor](API_CreateAutoPredictor.md).
```
aws forecast create-predictor \
--predictor-name predictor_name \
--data-config DatasetGroupArn="arn:aws:forecast:region:account:dataset-group/datasetGroupName" \
--forecast-horizon 14 \
--forecast-frequency D \
--tags Key=key1,Value=value1 Key=key2,Value=value2
```
Untuk mempelajari lebih lanjut tentang menyesuaikan jenis perkiraan dan metrik pengoptimalan, lihat [Mengevaluasi Akurasi Prediktor](metrics.md) Indeks Cuaca dan Liburan kumpulan data tambahan ditentukan dalam tipe data. `DataConfig` Untuk informasi tentang kumpulan data tambahan, lihat [Indeks Cuaca](weather.md) dan. [Featurisasi Liburan](holidays.md)
------
#### [ Python ]
Untuk membuat prediktor otomatis dengan SDK for Python (Boto3), gunakan metode ini. `create_auto_predictor` Kode berikut membuat prediktor otomatis yang membuat prediksi selama 14 hari di masa depan.
Berikan nama untuk prediktor dan Nama Sumber Daya Amazon (ARN) grup kumpulan data yang menyertakan data pelatihan Anda. Secara opsional memodifikasi cakrawala perkiraan dan frekuensi perkiraan. Secara opsional tambahkan tag apa pun untuk prediktor. Untuk informasi selengkapnya, lihat [Menandai Sumber Daya Amazon Forecast](tagging-forecast-resources.md).
Untuk informasi tentang parameter wajib dan opsional, lihat[CreateAutoPredictor](API_CreateAutoPredictor.md).
```
import boto3
forecast = boto3.client('forecast')
create_predictor_response = forecast.create_auto_predictor(
PredictorName = 'predictor_name',
ForecastHorizon = 14,
ForecastFrequency = 'D',
DataConfig = {
"DatasetGroupArn": "arn:aws:forecast:region:account:dataset-group/datasetGroupName"
},
Tags = [
{
"Key": "key1",
"Value": "value1"
},
{
"Key": "key2",
"Value": "value2"
}
]
)
print(create_predictor_response['PredictorArn'])
```
Untuk mempelajari lebih lanjut tentang menyesuaikan jenis perkiraan dan metrik pengoptimalan, lihat [Mengevaluasi Akurasi Prediktor](metrics.md) Indeks Cuaca dan Liburan kumpulan data tambahan ditentukan dalam tipe data. `DataConfig` Untuk informasi tentang kumpulan data tambahan, lihat [Indeks Cuaca](weather.md) dan. [Featurisasi Liburan](holidays.md)
------
## Upgrade ke AutoPredictor
**Notebook Python**
Untuk step-by-step panduan tentang memutakhirkan prediktor AutoPredictor, lihat [Memutakhirkan](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/basic/Upgrading_to_AutoPredictor/UpgradeToAutoPredictor.ipynb) prediktor ke. AutoPredictor
Prediktor yang dibuat dengan AutoML atau manual selection CreatePredictor () dapat ditingkatkan ke file. AutoPredictor Memutakhirkan yang sudah ada ke AutoPredictor akan mentransfer semua pengaturan konfigurasi prediktor yang relevan.
Setelah Upgrade ke AutoPredictor, prediktor asli akan tetap aktif dan prediktor yang ditingkatkan akan memiliki ARN Prediktor terpisah. Ini memungkinkan Anda untuk membandingkan metrik akurasi antara dua prediktor, dan Anda masih dapat menghasilkan prakiraan dengan prediktor asli.
Anda dapat memutakhirkan prediktor menggunakan Software Development Kit (SDK) atau konsol Amazon Forecast.
------
#### [ Console ]
**Untuk meng-upgrade prediktor**
1. Masuk ke Konsol Manajemen AWS dan buka konsol Amazon Forecast di [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Di panel navigasi, pilih **Prediktor**.
1. Pilih prediktor untuk meningkatkan, dan pilih **Upgrade**.
1. Tetapkan nama unik untuk prediktor yang ditingkatkan.
1. Pilih **Upgrade ke AutoPredictor**.
------
#### [ CLI ]
Untuk memutakhirkan prediktor dengan AWS CLI, gunakan `create-predictor` metode ini, tetapi tentukan *hanya* nama prediktor dan nilai `reference-predictor-arn` (ARN prediktor yang ingin Anda tingkatkan).
```
aws forecast create-predictor \
--predictor-name predictor_name \
--reference-predictor-arn arn:aws:forecast:region:account:predictor/predictorName
```
------
#### [ Python ]
Untuk memutakhirkan prediktor dengan SDK for Python (Boto3), `create_auto_predictor` gunakan metode ini, *tetapi tentukan hanya* nama prediktor dan nilai `ReferencePredictorArn` (ARN prediktor yang ingin Anda tingkatkan).
```
import boto3
forecast = boto3.client('forecast')
create_predictor_response = forecast.create_auto_predictor(
PredictorName = 'predictor_name',
ReferencePredictorArn = 'arn:aws:forecast:region:account:predictor/predictorName'
)
print(create_predictor_response['PredictorArn'])
```
------
# Agregasi data untuk frekuensi perkiraan yang berbeda
Saat Anda membuat prediktor, Anda harus menentukan frekuensi perkiraan. Frekuensi perkiraan menentukan frekuensi prediksi dalam perkiraan Anda. Misalnya, perkiraan penjualan bulanan. Prediktor Amazon Forecast dapat menghasilkan perkiraan untuk frekuensi data yang lebih tinggi dari frekuensi perkiraan yang Anda tentukan. Misalnya, Anda dapat menghasilkan perkiraan mingguan bahkan jika data Anda direkam setiap hari. Selama pelatihan, Forecast mengumpulkan data harian untuk menghasilkan perkiraan pada frekuensi perkiraan mingguan.
**Topics**
+ [Bagaimana Agregasi Bekerja](how-aggregation-works.md)
+ [Batas Waktu](#time-boundaries)
+ [Asumsi Agregasi Data](aggregation-guidelines.md)
# Bagaimana Agregasi Bekerja
Selama pelatihan, Amazon Forecast mengumpulkan data apa pun yang tidak selaras dengan frekuensi perkiraan yang Anda tentukan. Misalnya, Anda mungkin memiliki beberapa data harian tetapi tentukan frekuensi perkiraan mingguan. Forecast menyelaraskan data harian berdasarkan minggu di mana ia berada. Forecast kemudian menggabungkannya menjadi rekor tunggal untuk setiap minggu. Forecast menentukan data minggu (atau bulan atau hari dan seterusnya) berdasarkan hubungannya dengan batas waktu. Batas waktu menentukan awal dari satuan waktu, seperti jam berapa hari dimulai atau hari apa minggu dimulai.
Untuk prakiraan per jam dan kecil, atau batas waktu yang tidak ditentukan, Forecast menggunakan batas waktu default berdasarkan satuan waktu frekuensi Anda. Untuk prediktor otomatis dengan frekuensi perkiraan harian, mingguan, bulanan, atau tahunan, Anda dapat menentukan batas waktu khusus. Untuk informasi lebih lanjut tentang batas waktu, lihat[Batas Waktu](data-aggregation.md#time-boundaries).
Selama agregasi, metode transformasi default adalah menjumlahkan data. Anda dapat mengonfigurasi transformasi saat membuat prediktor Anda. Anda melakukannya di bagian **Input data configuration** pada halaman **Create predictor** di konsol Forecast. Atau Anda dapat mengatur metode transformasi dalam `Transformations` parameter [AttributeConfig](API_AttributeConfig.md) dalam CreateAutoPredictor operasi.
Tabel berikut menunjukkan contoh agregasi untuk frekuensi perkiraan per jam menggunakan batas waktu default: Setiap jam dimulai di bagian atas jam.
**Pra-transformasi**
| Waktu | Data | Di Puncak Jam |
| --- | --- | --- |
| 2018-03-03 01:00:00 | 100 | Ya |
| 2018-03-03 02:20:00 | 50 | Tidak |
| 2018-03-03 02:45:00 | 20 | Tidak |
| 2018-03-03 04:00:00 | 120 | Ya |
**Pasca-transformasi**
| Waktu | Data | Catatan |
| --- | --- | --- |
| 2018-03-03 01:00:00 | 100 | |
| 2018-03-03 02:00:00 | 70 | Jumlah nilai antara 02:00:00-02:59:59 (50 \$1 20) |
| 2018-03-03 03:00:00 | Kosong | Tidak ada nilai antara 03:00:00-03:59:59 |
| 2018-03-03 04:00:00 | 120 | |
Gambar berikut menunjukkan bagaimana Forecast mengubah data agar sesuai dengan batas waktu mingguan default.
![\[Raw sales data points transformed into a smooth demand time series curve over weekly intervals.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/data-alignment.png)
## Batas Waktu
Batas waktu menentukan awal dari satuan waktu, seperti apa hari seminggu dimulai. Sebelum menggabungkan data Anda, Amazon Forecast menyelaraskan data berdasarkan satuan waktu frekuensi perkiraan Anda. Hal ini dilakukan berdasarkan hubungan data dengan batas waktu.
Misalnya, jika Anda menentukan frekuensi perkiraan harian tetapi bukan batas waktu Anda sendiri, Forecast menyelaraskan setiap catatan per jam berdasarkan hari tempatnya berada. Setiap hari dimulai pada 0 jam. Definisi kapan hari dimulai, 0 jam, adalah batas waktu. Kemudian Forecast mengumpulkan catatan per jam ke satu catatan untuk hari itu.
Forecast menggunakan batas waktu default berdasarkan satuan waktu frekuensi perkiraan Anda. Jika Anda membuat prediktor otomatis, Anda dapat menentukan batas waktu khusus.
Jika Anda menentukan batas waktu kustom dan frekuensi perkiraan kustom, Forecast mengumpulkan data Anda dalam frekuensi perkiraan dan menyelaraskannya ke batas waktu kustom. Frekuensi perkiraan menentukan seberapa sering data dikumpulkan sementara batas waktu khusus menentukan di mana penyelarasan berada. Misalnya, asumsikan data Anda dikumpulkan setiap hari dan Anda ingin Amazon Forecast menghasilkan perkiraan triwulanan pada tanggal 15 bulan selama satu tahun. Untuk melakukannya, atur frekuensi perkiraan setiap 3 bulan dan batas waktu khusus menjadi 15. Lihat AWS Command Line Interface contoh berikut.
```
aws forecast create-predictor \
--predictor-name predictor_name \
--data-config DatasetGroupArn="arn:aws:forecast:region:account:dataset-group/datasetGroupName" \
--forecast-horizon 4 \
--forecast-frequency 3M \
--time-alignment-boundary DayOfMonth=15
```
Dalam contoh ini, semua data harian dijumlahkan (agregasi default) ke tanggal 15 setiap bulan ketiga.
Perhatikan bahwa agregasi ini tidak memerlukan data harian, hanya saja data dikumpulkan setiap bulan atau lebih sering.
**Topics**
+ [Batas Waktu Default](#default-time-boundaries)
+ [Menentukan Batas Waktu](#specifying-time-boundary)
### Batas Waktu Default
Tabel berikut mencantumkan batas penyelarasan waktu default yang digunakan Forecast saat menggabungkan data.
| Frekuensi | Batas |
| --- | --- |
| Menit | Bagian atas menit terakhir (45:00, 06:00) |
| Jam | Bagian atas terakhir jam (09:00:00, 13:00:00) |
| Hari | Jam pertama hari itu (jam 0) |
| Minggu | Senin terakhir |
| Bulan | Hari pertama dalam sebulan |
| Tahun | Hari pertama tahun ini (1 Januari) |
### Menentukan Batas Waktu
**catatan**
Anda hanya dapat menentukan batas waktu untuk prediktor otomatis.
Saat Anda membuat prediktor otomatis dengan frekuensi perkiraan harian, mingguan, bulanan, atau tahunan, Anda dapat menentukan batas waktu yang digunakan Forecast untuk mengumpulkan data. Anda dapat menentukan batas waktu jika kalender bisnis Anda tidak sejajar dengan batas waktu default. Misalnya, Anda mungkin ingin membuat perkiraan bulanan di mana setiap bulan dimulai pada hari ketiga setiap bulan. Jika Anda tidak menentukan batas waktu, Forecast menggunakan satu set. [Batas Waktu Default](#default-time-boundaries)
Satuan batas waktu yang Anda tentukan harus satu unit lebih halus dari frekuensi perkiraan Anda. Tabel berikut mencantumkan satuan batas waktu dan nilai yang dapat Anda tentukan, diatur berdasarkan frekuensi perkiraan.
Anda hanya dapat menentukan batas `Monthly` waktu dengan nilai batas atau kurang. `28`
| Satuan frekuensi Forecast | Satuan batas | Nilai batas |
| --- | --- | --- |
| Harian | Jam | 0-23 |
| Mingguan | Hari dalam seminggu | Senin sampai Minggu |
| Bulanan | Hari dalam sebulan | 1 hingga 28 |
| Tahunan | Bulan | Januari hingga Desember |
Anda menentukan batas penyelarasan waktu saat Anda membuat prediktor sebagai berikut. Untuk informasi tentang satuan batas waktu yang berbeda dan nilai batas yang dapat Anda tentukan secara terprogram, lihat. [TimeAlignmentBoundary](API_TimeAlignmentBoundary.md)
------
#### [ Console ]
****
**Untuk menentukan batas penyelarasan waktu untuk prediktor**
1. Masuk ke Konsol Manajemen AWS dan buka konsol Amazon Forecast di [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Dari grup **Dataset, pilih grup kumpulan** data Anda.
1. Di panel navigasi, pilih **Prediktor**.
1. Pilih **Latih prediktor baru**.
1. Berikan nilai untuk bidang **cakrawala **Name**, **Forecast frequency**, dan Forecast** wajib.
1. Untuk batas **penyelarasan waktu, tentukan batas** waktu yang akan digunakan prediktor saat menggabungkan data Anda. Nilai dalam daftar ini bergantung pada **frekuensi Forecast** yang Anda pilih.
1. Pilih **Mulai**. Forecast akan mengumpulkan data menggunakan batas penyelarasan waktu yang Anda tentukan saat membuat prediktor Anda.
------
#### [ AWS CLI ]
Untuk menentukan batas penyelarasan waktu untuk prediktor dengan AWS CLI, gunakan perintah. `create-predictor` Untuk `time-alignment-boundary` parameter, berikan satuan waktu dan nilai batas. Kode berikut membuat prediktor otomatis yang membuat prediksi selama 5 minggu di masa depan, di mana setiap minggu dimulai pada hari Selasa.
`DayOfWeek`dan `DayOfMonth` nilai harus dalam semua huruf besar. Untuk informasi tentang satuan batas waktu yang berbeda dan nilai batas yang dapat Anda tentukan, lihat. [TimeAlignmentBoundary](API_TimeAlignmentBoundary.md) Untuk informasi tentang parameter wajib dan opsional, lihat[CreateAutoPredictor](API_CreateAutoPredictor.md).
```
aws forecast create-predictor \
--predictor-name predictor_name \
--data-config DatasetGroupArn="arn:aws:forecast:region:account:dataset-group/datasetGroupName" \
--forecast-horizon 5 \
--forecast-frequency W \
--time-alignment-boundary DayOfWeek=TUESDAY
```
------
#### [ Python ]
Untuk menentukan batas penyelarasan waktu untuk prediktor dengan SDK for Python (Boto3), gunakan metode ini. `create_auto_predictor` Untuk `TimeAlignmentBoundary` parameter, berikan kamus dengan satuan waktu sebagai kunci dan nilai batas sebagai nilai. Kode berikut membuat prediktor otomatis yang membuat prediksi selama 5 minggu di masa depan, di mana setiap minggu dimulai pada hari Selasa.
`DayOfWeek`dan `DayOfMonth` nilai harus dalam semua huruf besar. Untuk informasi tentang satuan batas waktu yang berbeda dan nilai batas yang dapat Anda tentukan, lihat. [TimeAlignmentBoundary](API_TimeAlignmentBoundary.md) Untuk informasi tentang parameter wajib dan opsional, lihat[CreateAutoPredictor](API_CreateAutoPredictor.md).
```
import boto3
forecast = boto3.client('forecast')
create_predictor_response = forecast.create_auto_predictor(
PredictorName = 'predictor_name',
ForecastHorizon = 5,
ForecastFrequency = 'W',
DataConfig = {
"DatasetGroupArn": "arn:aws:forecast:region:account:dataset-group/datasetGroupName"
},
TimeAlignmentBoundary = {
"DayOfWeek": "TUESDAY"
}
)
print(create_predictor_response['PredictorArn'])
```
------
# Asumsi Agregasi Data
Forecast tidak mengasumsikan bahwa data Anda berasal dari zona waktu tertentu. Namun, itu membuat asumsi berikut saat menggabungkan data deret waktu:
+ Semua data berasal dari zona waktu yang sama.
+ Semua perkiraan berada dalam zona waktu yang sama dengan data dalam kumpulan data.
+ Jika Anda menentukan fitur [SupplementaryFeature](API_SupplementaryFeature.md) liburan dalam [InputDataConfig](API_InputDataConfig.md) parameter untuk [CreatePredictor](API_CreatePredictor.md) operasi, data input berasal dari negara yang sama.
## Menggunakan kumpulan data tambahan
Amazon Forecast dapat menyertakan Indeks Cuaca dan Liburan saat membuat prediktor Anda. Indeks Cuaca menggabungkan informasi meteorologi ke dalam model Anda dan Liburan menggabungkan informasi mengenai hari libur nasional.
Indeks Cuaca memerlukan atribut 'geolokasi' dalam kumpulan data deret waktu target Anda dan informasi mengenai zona waktu untuk stempel waktu Anda. Untuk informasi selengkapnya, lihat [Indeks Cuaca](weather.md).
Liburan mencakup informasi liburan di lebih dari 250 negara. Untuk informasi selengkapnya, lihat [Featurisasi Liburan](holidays.md).
## Bekerja dengan prediktor lama
**catatan**
Untuk memutakhirkan prediktor yang ada ke AutoPredictor, lihat [Upgrade ke AutoPredictor](#upgrading-autopredictor)
AutoPredictor adalah metode default dan pilihan untuk membuat prediktor dengan Amazon Forecast. AutoPredictor membuat prediktor dengan menerapkan kombinasi algoritma yang optimal untuk setiap deret waktu dalam kumpulan data Anda.
Prediktor yang dibuat dengan AutoPredictor umumnya lebih akurat daripada prediktor yang dibuat dengan AutoML atau seleksi manual. Fitur Forecast Explainability dan pelatihan ulang prediktor hanya tersedia untuk prediktor yang dibuat dengan. AutoPredictor
Amazon Forecast juga dapat membuat prediktor warisan dengan cara berikut:
1. **AutoMl** - Forecast menemukan algoritme berkinerja terbaik dan menerapkannya ke seluruh kumpulan data Anda.
1. **Pemilihan manual** - Secara manual memilih algoritma tunggal yang diterapkan ke seluruh dataset Anda.
Anda mungkin dapat membuat prediktor lama menggunakan Software Development Kit (SDK).
------
#### [ SDK ]
**Untuk menggunakan AutoML**
Dengan menggunakan [`CreatePredictor`](API_CreatePredictor.md)operasi, atur nilai `PerformAutoML` to`"true"`.
```
{
...
"PerformAutoML": "true",
}
```
Jika Anda menggunakan AutoML, Anda tidak dapat menetapkan nilai untuk CreatePredictor parameter berikut:`AlgorithmArn`,,`HPOConfig`. `TrainingParameters`
------
# Mengevaluasi Akurasi Prediktor
Amazon Forecast menghasilkan metrik akurasi untuk mengevaluasi prediktor dan membantu Anda memilih mana yang akan digunakan untuk menghasilkan prakiraan. Forecast mengevaluasi prediktor menggunakan Root Mean Square Error (RMSE), Weighted Quantile Loss (wQL), Mean Absolute Percentage Error (MAPE), Mean Absolute Scaled Error (MASE), dan Weighted Absolute Percentage Error (WAPE) metrik.
Amazon Forecast menggunakan backtesting untuk menyetel parameter dan menghasilkan metrik akurasi. Selama pengujian ulang, Forecast secara otomatis membagi data deret waktu Anda menjadi dua set: satu set pelatihan dan satu set pengujian. Set pelatihan digunakan untuk melatih model dan menghasilkan perkiraan untuk titik data dalam set pengujian. Forecast mengevaluasi akurasi model dengan membandingkan nilai yang diprediksi dengan nilai yang diamati dalam set pengujian.
Forecast memungkinkan Anda untuk mengevaluasi prediktor menggunakan berbagai jenis perkiraan, yang dapat berupa serangkaian perkiraan kuantil dan perkiraan rata-rata. Perkiraan rata-rata memberikan perkiraan poin, sedangkan perkiraan kuantil biasanya memberikan berbagai kemungkinan hasil.
**Notebook Python**
Untuk step-by-step panduan tentang mengevaluasi metrik prediktor, lihat Metrik [Komputasi Menggunakan Tes Latar Tingkat](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Item_Level_Accuracy/Item_Level_Accuracy_Using_Bike_Example.ipynb) Item. .
**Topics**
+ [Menafsirkan Metrik Akurasi](#predictor-metrics)
+ [Kehilangan Kuantil Tertimbang (wQL)](#metrics-wQL)
+ [Kesalahan Persentase Mutlak Tertimbang (WAPE)](#metrics-WAPE)
+ [Root Mean Square Error (RMSE)](#metrics-RMSE)
+ [Rata-rata Kesalahan Persentase Mutlak (MAPE)](#metrics-mape)
+ [Berarti Kesalahan Skala Mutlak (MASE)](#metrics-mase)
+ [Mengekspor Metrik Akurasi](#backtest-exports)
+ [Memilih Jenis Forecast](#forecast-types)
+ [Bekerja dengan Prediktor Legacy](#legacy-metrics)
## Menafsirkan Metrik Akurasi
Amazon Forecast menyediakan Root Mean Square Error (RMSE), Weighted Quantile Loss (wQL), Average Weighted Quantile Loss (Average wQL), Mean Absolute Scaled Error (MASE), Mean Absolute Percentage Error (MAPE), dan Weighted Absolute Percentage Error (WAPE) untuk mengevaluasi prediktor Anda. Seiring dengan metrik untuk prediktor keseluruhan, Forecast menghitung metrik untuk setiap jendela backtest.
Anda dapat melihat metrik akurasi untuk prediktor Anda menggunakan Amazon Forecast Software Development Kit (SDK) dan konsol Amazon Forecast.
------
#### [ Forecast SDK ]
Menggunakan [GetAccuracyMetrics](API_GetAccuracyMetrics.md)Operasi, tentukan Anda `PredictorArn` untuk melihat metrik RMSE, MASE, MAPE, WAPE, WQL Rata-rata, dan wQL untuk setiap backtest.
```
{
"PredictorArn": "arn:aws:forecast:region:acct-id:predictor/example-id"
}
```
------
#### [ Forecast Console ]
Pilih prediktor Anda di halaman **Prediktor**. Metrik akurasi untuk prediktor ditampilkan di bagian Metrik **Prediktor**.
------
**catatan**
Untuk metrik rata-rata wQL, wQL, RMSE, MASE, MAPE, dan WAPE, nilai yang lebih rendah menunjukkan model yang unggul.
**Topics**
+ [Menafsirkan Metrik Akurasi](#predictor-metrics)
+ [Kehilangan Kuantil Tertimbang (wQL)](#metrics-wQL)
+ [Kesalahan Persentase Mutlak Tertimbang (WAPE)](#metrics-WAPE)
+ [Root Mean Square Error (RMSE)](#metrics-RMSE)
+ [Rata-rata Kesalahan Persentase Mutlak (MAPE)](#metrics-mape)
+ [Berarti Kesalahan Skala Mutlak (MASE)](#metrics-mase)
+ [Mengekspor Metrik Akurasi](#backtest-exports)
+ [Memilih Jenis Forecast](#forecast-types)
+ [Bekerja dengan Prediktor Legacy](#legacy-metrics)
## Kehilangan Kuantil Tertimbang (wQL)
Metrik Weighted Quantile Loss (wQL) mengukur keakuratan model pada kuantil tertentu. Ini sangat berguna ketika ada biaya yang berbeda untuk meremehkan dan memprediksi terlalu tinggi. Dengan mengatur bobot (*τ*) fungsi wQL, Anda dapat secara otomatis memasukkan hukuman yang berbeda untuk meremehkan dan memprediksi terlalu tinggi.
Fungsi kerugian dihitung sebagai berikut.
![\[Mathematical equation for weighted quantile loss function with tau parameter.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/metrics-quantile-loss.png)
Di mana:
*τ* - kuantil dalam himpunan \$10,01, 0,02,..., 0,99\$1
q i,t (τ) - τ-kuantil yang diprediksi model.
y i,t - nilai yang diamati pada titik (i, t)
Kuantil (τ) untuk wQL dapat berkisar dari 0,01 (P1) hingga 0,99 (P99). Metrik wQL tidak dapat dihitung untuk perkiraan rata-rata.
Secara default, Forecast menghitung wQL di `0.1` (P10), (P50), dan `0.5` (P90). `0.9`
+ **P10 (0.1)** - Nilai sebenarnya diharapkan lebih rendah dari nilai prediksi 10% dari waktu.
+ **P50 (0.5)** - Nilai sebenarnya diharapkan lebih rendah dari nilai prediksi 50% dari waktu. Ini juga dikenal sebagai perkiraan median.
+ **P90 (0.9)** - Nilai sebenarnya diharapkan lebih rendah dari nilai prediksi 90% dari waktu.
Dalam ritel, biaya kekurangan stok seringkali lebih tinggi daripada biaya kelebihan stok, sehingga peramalan pada P75 (*τ* = 0,75) dapat lebih informatif daripada peramalan pada kuantil median (P50). Dalam kasus ini, wQL [0,75] memberikan bobot penalti yang lebih besar untuk meremehkan (0,75) dan bobot penalti yang lebih kecil untuk perkiraan berlebihan (0,25).
![\[Two probability distribution curves showing demand forecasting at P50 and P75 quantiles.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/p50-p75-prediction.jpg)
Angka di atas menunjukkan perkiraan permintaan yang berbeda di wQL [0.50] dan wQL [0.75]. Nilai yang diperkirakan pada P75 secara signifikan lebih tinggi dari nilai yang diperkirakan di P50 karena perkiraan P75 diperkirakan akan memenuhi permintaan 75% dari waktu, sedangkan perkiraan P50 hanya diharapkan memenuhi permintaan 50% dari waktu.
Ketika jumlah nilai yang diamati atas semua item dan titik waktu kira-kira nol di jendela backtest tertentu, ekspresi kehilangan kuantil tertimbang tidak terdefinisi. Dalam kasus ini, Forecast menghasilkan kerugian kuantil yang tidak tertimbang, yang merupakan pembilang dalam ekspresi wQL.
Forecast juga menghitung rata-rata wQL, yang merupakan nilai rata-rata kerugian kuantil tertimbang atas semua kuantil yang ditentukan. Secara default, ini akan menjadi rata-rata wQL [0.10], wQL [0.50], dan wQL [0.90].
## Kesalahan Persentase Mutlak Tertimbang (WAPE)
The Weighted Absolute Percentage Error (WAPE) mengukur deviasi keseluruhan nilai yang diperkirakan dari nilai yang diamati. WAPE dihitung dengan mengambil jumlah nilai yang diamati dan jumlah nilai prediksi, dan menghitung kesalahan antara kedua nilai tersebut. Nilai yang lebih rendah menunjukkan model yang lebih akurat.
Ketika jumlah nilai yang diamati untuk semua titik waktu dan semua item kira-kira nol di jendela backtest tertentu, ekspresi kesalahan persentase absolut tertimbang tidak ditentukan. Dalam kasus ini, Forecast menghasilkan jumlah kesalahan absolut yang tidak berbobot, yang merupakan pembilang dalam ekspresi WAPE.
![\[Mathematical formula for WAPE showing summation of absolute differences divided by sum of absolute values.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/WAPE.png)
Di mana:
y i,t - nilai yang diamati pada titik (i, t)
i,t- nilai prediksi pada titik (i, t)
Forecast menggunakan perkiraan rata-rata sebagai nilai prediksi, yaitui,t.
WAPE lebih kuat untuk outlier daripada Root Mean Square Error (RMSE) karena menggunakan kesalahan absolut alih-alih kesalahan kuadrat.
Amazon Forecast sebelumnya menyebut metrik WAPE sebagai Mean Absolute Percentage Error (MAPE) dan menggunakan perkiraan median (P50) sebagai nilai prediksi. Forecast sekarang menggunakan perkiraan rata-rata untuk menghitung WAPE. Metrik wQL [0.5] setara dengan metrik WAPE [median], seperti yang ditunjukkan di bawah ini:
![\[Mathematical equation showing the equivalence of wQL[0.5] and WAPE[median] metrics.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/wql-to-wape.PNG)
## Root Mean Square Error (RMSE)
Root Mean Square Error (RMSE) adalah akar kuadrat dari rata-rata kesalahan kuadrat, dan karena itu lebih sensitif terhadap outlier daripada metrik akurasi lainnya. Nilai yang lebih rendah menunjukkan model yang lebih akurat.
![\[Mathematical formula for Root Mean Square Error (RMSE) with summation and square root.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/metrics-rmse.png)
Di mana:
y i,t - nilai yang diamati pada titik (i, t)
i,t- nilai prediksi pada titik (i, t)
nT - jumlah titik data dalam satu set pengujian
Forecast menggunakan perkiraan rata-rata sebagai nilai prediksi, yaitui,t. Saat menghitung metrik prediktor, nT adalah jumlah titik data di jendela backtest.
RMSE menggunakan nilai kuadrat dari residu, yang memperkuat dampak outlier. Dalam kasus penggunaan di mana hanya beberapa kesalahan prediksi besar yang bisa sangat mahal, RMSE adalah metrik yang lebih relevan.
Prediktor yang dibuat sebelum 11 November 2020 menghitung RMSE menggunakan kuantil 0,5 (P50) secara default. Forecast sekarang menggunakan perkiraan rata-rata.
## Rata-rata Kesalahan Persentase Mutlak (MAPE)
Mean Absolute Percentage Error (MAPE) mengambil nilai absolut dari persentase kesalahan antara nilai yang diamati dan yang diprediksi untuk setiap unit waktu, kemudian rata-rata nilai-nilai tersebut. Nilai yang lebih rendah menunjukkan model yang lebih akurat.
![\[Mathematical formula for Mean Absolute Percentage Error (MAPE) calculation.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/mape.png)
Di mana:
A t - nilai yang diamati pada titik *t*
F t - nilai prediksi pada titik *t*
n - jumlah titik data dalam deret waktu
Forecast menggunakan perkiraan rata-rata sebagai nilai prediksi, Ft.
MAPE berguna untuk kasus di mana nilai berbeda secara signifikan antara titik waktu dan outlier memiliki dampak yang signifikan.
## Berarti Kesalahan Skala Mutlak (MASE)
Mean Absolute Scaled Error (MASE) dihitung dengan membagi kesalahan rata-rata dengan faktor penskalaan. Faktor penskalaan ini tergantung pada nilai musiman, *m*, yang dipilih berdasarkan frekuensi perkiraan. Nilai yang lebih rendah menunjukkan model yang lebih akurat.
![\[Mathematical formula for Mean Absolute Scaled Error (MASE) with summation and absolute value notations.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/mase.png)
Di mana:
Y t - nilai yang diamati pada titik *t*
Y t-m - nilai yang diamati pada titik *t-m*
e j - kesalahan pada titik *j* (nilai yang diamati - nilai prediksi)
m - nilai musiman
Forecast menggunakan perkiraan rata-rata sebagai nilai prediksi.
MASE sangat ideal untuk kumpulan data yang bersifat siklus atau memiliki sifat musiman. Misalnya, peramalan untuk barang-barang yang banyak diminati selama musim panas dan permintaan rendah selama musim dingin dapat mengambil manfaat dari memperhitungkan dampak musiman.
## Mengekspor Metrik Akurasi
**catatan**
Ekspor file dapat langsung mengembalikan informasi dari Dataset Impor. Ini membuat file rentan terhadap injeksi CSV jika data yang diimpor berisi rumus atau perintah. Untuk alasan ini, file yang diekspor dapat meminta peringatan keamanan. Untuk menghindari aktivitas berbahaya, nonaktifkan tautan dan makro saat membaca file yang diekspor.
Forecast memungkinkan Anda mengekspor nilai yang diperkirakan dan metrik akurasi yang dihasilkan selama pengujian ulang.
Anda dapat menggunakan ekspor ini untuk mengevaluasi item tertentu pada titik waktu dan kuantil tertentu, dan lebih memahami prediktor Anda. Ekspor backtest dikirim ke lokasi S3 tertentu dan berisi dua folder:
+ **nilai yang diperkirakan: Berisi file CSV atau Parket dengan nilai yang diperkirakan pada setiap jenis perkiraan untuk setiap backtest**.
+ **accuracy-metrics-values**: Berisi file CSV atau Parket dengan metrik untuk setiap backtest, bersama dengan rata-rata di semua backtests. Metrik ini termasuk wQL untuk setiap kuantil, Rata-rata wQL, RMSE, MASE, MAPE, dan WAPE.
`forecasted-values`Folder berisi nilai yang diperkirakan pada setiap jenis perkiraan untuk setiap jendela backtest. Ini juga mencakup informasi tentang item IDs, dimensi, stempel waktu, nilai target, dan waktu mulai dan akhir jendela backtest.
`accuracy-metrics-values`Folder berisi metrik akurasi untuk setiap jendela backtest, serta metrik rata-rata di semua jendela backtest. Ini berisi metrik wQL untuk setiap kuantil yang ditentukan, serta metrik WQL, RMSE, MASE, MAPE, dan WAPE Rata-rata.
File dalam kedua folder mengikuti konvensi penamaan:`__.csv`.
Anda dapat mengekspor metrik akurasi menggunakan Amazon Forecast Software Development Kit (SDK) dan konsol Amazon Forecast.
------
#### [ Forecast SDK ]
Menggunakan [`CreatePredictorBacktestExportJob`](API_CreatePredictorBacktestExportJob.md)operasi, tentukan lokasi S3 Anda dan peran IAM dalam [`DataDestination`](API_DataDestination.md)objek, bersama dengan dan`PredictorArn`. `PredictorBacktestExportJobName`
Sebagai contoh:
```
{
"Destination": {
"S3Config": {
"Path": "s3://bucket/example-path/",
"RoleArn": "arn:aws:iam::000000000000:role/ExampleRole"
}
},
"Format": PARQUET;
"PredictorArn": "arn:aws:forecast:region:predictor/example",
"PredictorBacktestExportJobName": "backtest-export-name",
}
```
------
#### [ Forecast Console ]
Pilih prediktor Anda di halaman **Prediktor**. Di bagian **Metrik prediktor**, pilih **Ekspor hasil backtest**.
Selama tahap **Create predictor backtest export**, atur kolom **Export name**, **IAM Role**, dan **S3 predictor** backtest export location.
![\[Form for exporting predictor backtest data to S3, with fields for name, IAM role, and location.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/console-export-screen.PNG)
------
## Memilih Jenis Forecast
Amazon Forecast menggunakan jenis perkiraan untuk membuat prediksi dan mengevaluasi prediktor. Jenis Forecast datang dalam dua bentuk:
+ **Jenis perkiraan rata-rata** - Perkiraan menggunakan rata-rata sebagai nilai yang diharapkan. Biasanya digunakan sebagai perkiraan titik untuk titik waktu tertentu.
+ **Jenis perkiraan kuantil** - Perkiraan pada kuantil tertentu. Biasanya digunakan untuk memberikan interval prediksi, yang merupakan kisaran nilai yang mungkin untuk memperhitungkan ketidakpastian perkiraan. Misalnya, perkiraan pada `0.65` kuantil akan memperkirakan nilai yang lebih rendah dari nilai yang diamati 65% dari waktu.
Secara default, Forecast menggunakan nilai-nilai berikut untuk jenis perkiraan prediktor: `0.1` (P10), `0.5` (P50), dan `0.9` (P90). Anda dapat memilih hingga lima jenis perkiraan khusus, termasuk `mean` dan kuantil mulai dari `0.01` (P1) hingga `0.99` (P99).
Kuantil dapat memberikan batas atas dan bawah untuk perkiraan. Misalnya, menggunakan jenis perkiraan `0.1` (P10) dan `0.9` (P90) memberikan rentang nilai yang dikenal sebagai interval kepercayaan 80%. Nilai yang diamati diharapkan lebih rendah dari nilai P10 10% dari waktu, dan nilai P90 diharapkan lebih tinggi dari nilai yang diamati 90% dari waktu. Dengan menghasilkan perkiraan pada p10 dan P90, Anda dapat mengharapkan nilai sebenarnya jatuh di antara batas-batas tersebut 80% dari waktu. Rentang nilai ini digambarkan oleh wilayah berbayang antara P10 dan P90 pada gambar di bawah ini.
![\[Graph showing forecast quantiles with P99, P90, P50, P10, and P1 lines over time.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/quantiles-intervals.png)
Anda juga dapat menggunakan perkiraan kuantil sebagai perkiraan titik ketika biaya underpredicting berbeda dari biaya overpredicting. Misalnya, dalam beberapa kasus ritel, biaya kekurangan stok lebih tinggi daripada biaya kelebihan stok. Dalam kasus ini, perkiraan pada 0,65 (P65) lebih informatif daripada perkiraan rata-rata (P50) atau rata-rata.
Saat melatih prediktor, Anda dapat memilih jenis perkiraan khusus menggunakan Amazon Forecast Software Development Kit (SDK) dan konsol Amazon Forecast.
------
#### [ Forecast SDK ]
Menggunakan [`CreateAutoPredictor`](API_CreateAutoPredictor.md)operasi, tentukan jenis perkiraan khusus dalam `ForecastTypes` parameter. Format parameter sebagai array string.
Misalnya, untuk membuat prediktor pada jenis`0.01`,`mean`,`0.65`, dan `0.99` perkiraan, gunakan kode berikut.
```
{
"ForecastTypes": [ "0.01", "mean", "0.65", "0.99" ],
},
```
------
#### [ Forecast Console ]
Selama tahap **Train Predictor**, tentukan jenis perkiraan kustom di bidang **Jenis Forecast**. Pilih **Tambahkan jenis perkiraan baru** dan masukkan nilai jenis perkiraan.
Misalnya, untuk membuat prediktor menggunakan tipe`0.01`,,`mean`, dan `0.99` perkiraan`0.65`, masukkan nilai berikut di bidang **Jenis Forecast** yang ditunjukkan di bawah ini.
![\[Form for entering forecast types with fields for type names and quantile values between .01 and .99.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/predictor-custom-quantiles.png)
------
## Bekerja dengan Prediktor Legacy
### Pengaturan Parameter Backtesting
Forecast menggunakan backtesting untuk menghitung metrik akurasi. Jika Anda menjalankan beberapa backtests, Forecast rata-rata setiap metrik di semua jendela backtest. Secara default, Forecast menghitung satu backtest, dengan ukuran jendela backtest (set pengujian) sama dengan panjang horizon perkiraan (jendela prediksi). Anda dapat mengatur *panjang jendela backtest* dan *jumlah skenario backtest* saat melatih prediktor.
Forecast menghilangkan nilai yang terisi dari proses backtesting, dan item apa pun dengan nilai yang diisi dalam jendela backtest tertentu akan dikecualikan dari backtest itu. Ini karena Forecast hanya membandingkan nilai yang diperkirakan dengan nilai yang diamati selama pengujian ulang, dan nilai yang diisi bukan nilai yang diamati.
Jendela backtest harus setidaknya sebesar cakrawala perkiraan, dan lebih kecil dari setengah panjang seluruh kumpulan data deret waktu target. Anda dapat memilih antara 1 dan 5 backtests.
![\[Graph showing training and testing periods for four backtest scenarios over time.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/evaluation-backtests.png)
Umumnya, meningkatkan jumlah backtests menghasilkan metrik akurasi yang lebih andal, karena sebagian besar deret waktu digunakan selama pengujian dan Forecast mampu mengambil rata-rata metrik di semua backtests.
Anda dapat mengatur parameter pengujian ulang menggunakan Amazon Forecast Software Development Kit (SDK) dan konsol Amazon Forecast.
------
#### [ Forecast SDK ]
Menggunakan [CreatePredictor](API_CreatePredictor.md)operasi, atur parameter backtest di [EvaluationParameters](API_EvaluationParameters.md)tipe data. Tentukan panjang set pengujian selama backtesting dengan `BackTestWindowOffset` parameter, dan jumlah jendela backtest dengan parameter. `NumberOfBacktestWindows`
Misalnya, untuk menjalankan 2 backtests dengan set pengujian 10 poin waktu, gunakan kode ikuti.
```
"EvaluationParameters": {
"BackTestWindowOffset": 10,
"NumberOfBacktestWindows": 2
}
```
------
#### [ Forecast Console ]
**Selama tahap **Train Predictor**, atur panjang set pengujian selama backtesting dengan bidang **offset jendela Backtest**, dan jumlah jendela backtest dengan bidang Jumlah jendela backtest.**
Misalnya, untuk menjalankan 2 backtests dengan set pengujian 10 titik waktu, atur nilai berikut.
![\[Input fields for number of backtest windows and backtest window offset with example values.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/predictor-backtest-windows.png)
------
### HPO dan AutoML
Secara default, Amazon Forecast menggunakan kuantil `0.1` (P10), `0.5` (P50), dan `0.9` (P90) untuk penyetelan hyperparameter selama optimasi hyperparameter (HPO) dan untuk pemilihan model selama AutoML. Jika Anda menentukan jenis perkiraan kustom saat membuat prediktor, Forecast menggunakan jenis perkiraan tersebut selama HPO dan AutoML.
Jika jenis perkiraan khusus ditentukan, Forecast menggunakan jenis perkiraan yang ditentukan untuk menentukan hasil optimal selama HPO dan AutoML. Selama HPO, Forecast menggunakan jendela backtest pertama untuk menemukan nilai hyperparameter yang optimal. Selama AutoML, Forecast menggunakan rata-rata di semua jendela backtest dan nilai hyperparameters optimal dari HPO untuk menemukan algoritma yang optimal.
Untuk AutoML dan HPO, Forecast memilih opsi yang meminimalkan kerugian rata-rata atas jenis perkiraan. Anda juga dapat mengoptimalkan prediktor Anda selama AutoML dan HPO dengan salah satu metrik akurasi berikut: Average Weighted Quantile loss (Average WQL), Weighted Absolute Percentage Error (WAPE), Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE), atau Mean Absolute Scaled Error (MASE).
Anda dapat memilih metrik pengoptimalan menggunakan Amazon Forecast Software Development Kit (SDK) dan konsol Amazon Forecast.
------
#### [ Forecast SDK ]
Menggunakan [`CreatePredictor`](API_CreatePredictor.md)operasi, tentukan jenis perkiraan khusus dalam `ObjectiveMetric` parameter.
`ObjectiveMetric`Parameter menerima nilai-nilai berikut:
+ `AverageWeightedQuantileLoss`- Kerugian Kuantil Tertimbang Rata-rata
+ `WAPE`- Kesalahan Persentase Mutlak Tertimbang
+ `RMSE`- Root Mean Squared Error
+ `MAPE`- Berarti Kesalahan Persentase Mutlak
+ `MASE`- Berarti Kesalahan Skala Absolut
Misalnya, untuk membuat prediktor dengan AutoML dan mengoptimalkan menggunakan metrik akurasi Mean Absolute Scaled Error (MASE), gunakan kode berikut.
```
{
...
"PerformAutoML": "true",
...
"ObjectiveMetric": "MASE",
},
```
------
#### [ Forecast Console ]
Selama tahap **Train Predictor**, pilih **Automatic (AutoML)**. Di bagian **metrik Objective**, pilih metrik akurasi yang akan digunakan untuk mengoptimalkan prediktor Anda.
Misalnya, gambar berikut menunjukkan prediktor yang dibuat dengan AutoML dan dioptimalkan menggunakan metrik akurasi Mean Absolute Scaled Error (MASE).
Saat menggunakan konsol, Anda hanya dapat menentukan metrik Objective saat membuat prediktor menggunakan AutoML. Jika Anda memilih algoritma secara manual, Anda tidak dapat menentukan metrik Objective untuk HPO.
------
# Prediktor Pelatihan Ulang
**catatan**
Pelatihan ulang hanya tersedia untuk prediktor yang dibuat dengan AutoPredictor () [`CreateAutoPredictor`](API_CreateAutoPredictor.md). Anda dapat memutakhirkan prediktor lama yang ada ke. AutoPredictor Lihat [Upgrade ke AutoPredictor](howitworks-predictor.md#upgrading-autopredictor).
Prediktor dapat dipertahankan dengan kumpulan data yang diperbarui untuk menjaga prediktor Anda tetap up to date. Saat melatih ulang prediktor, Amazon Forecast mempertahankan pengaturan konfigurasi prediktor yang sama. Setelah pelatihan ulang, prediktor asli akan tetap aktif dan prediktor yang dilatih ulang akan memiliki ARN Prediktor terpisah.
Melatih ulang prediktor dapat meningkatkan akurasi peramalan dengan dua cara:
1. **Lebih banyak data terkini**: Prediktor Anda yang dilatih ulang akan menggabungkan lebih banyak up-to-date data saat melatih model.
1. **Peningkatan prediktor**: Prediktor Anda yang dilatih ulang akan menggabungkan pembaruan dan peningkatan apa pun dalam algoritme Amazon Forecast dan kumpulan data tambahan.
Melatih ulang prediktor bisa hingga 50% lebih cepat daripada membuat prediktor baru dari awal. Waktu pelatihan prediktor lebih cepat dan Forecast secara otomatis menggunakan pengaturan konfigurasi yang ada.
**Notebook Python**
Untuk step-by-step panduan tentang melatih kembali prediktor, lihat [Melatih ulang](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/advanced/Retraining_AutoPredictor/Retraining.ipynb) prediktor.
Anda dapat melatih kembali prediktor menggunakan Software Development Kit (SDK) atau konsol Amazon Forecast.
------
#### [ Console ]
**Untuk melatih kembali prediktor**
1. Masuk ke Konsol Manajemen AWS dan buka konsol Amazon Forecast di [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Di panel navigasi, pilih **Prediktor**.
1. Pilih prediktor untuk dilatih ulang.
1. **Di drop-down **Tindakan prediktor**, pilih Retrain.**
1. Tetapkan nama unik untuk prediktor yang ditingkatkan.
1. Pilih **Prediktor Retain**.
------
#### [ SDK ]
**Untuk melatih kembali prediktor**
Dengan menggunakan [`CreateAutoPredictor`](API_CreateAutoPredictor.md)operasi, tetapkan prediktor nama unik dan tetapkan nilainya ke prediktor yang `ReferencePredictorArn` ingin Anda latih ulang.
```
{
"PredictorName": "RetrainedPredictor",
"ReferencePredictorArn": "arn:aws:forecast:us-west-2:938097332257:predictor/OriginalPredictor"
}
```
Saat melatih ulang prediktor, tetapkan nilai hanya ke parameter dan`PredictorName`. `ReferencePredictorArn`
------
# Indeks Cuaca
Amazon Forecast Weather Index adalah fitur bawaan yang menggabungkan informasi cuaca historis dan proyeksi ke dalam model Anda. Ini sangat berguna untuk kasus penggunaan ritel, di mana suhu dan curah hujan dapat secara signifikan mempengaruhi permintaan produk.
Ketika Indeks Cuaca diaktifkan, Forecast menerapkan fitur cuaca hanya untuk deret waktu di mana ia menemukan peningkatan akurasi selama pelatihan prediktor. Jika melengkapi deret waktu dengan informasi cuaca tidak meningkatkan akurasi prediktifnya selama pengujian ulang, Forecast tidak menerapkan Indeks Cuaca untuk deret waktu tertentu.
Untuk menerapkan Indeks Cuaca, Anda harus menyertakan [atribut geolokasi](#adding-geolocation) dalam kumpulan data deret waktu target Anda dan kumpulan data deret waktu terkait. Anda juga perlu menentukan [zona waktu](#specifying-timezones) untuk stempel waktu deret waktu target Anda. Untuk informasi selengkapnya mengenai persyaratan kumpulan data, lihat [Ketentuan dan Pembatasan](#weather-conditions-restrictions).
**Notebook Python**
Untuk step-by-step panduan tentang menggunakan Indeks Cuaca, lihat [NY Taxi: Amazon Forecast with Weather Index](https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks/advanced/Weather_index).
**Topics**
+ [Mengaktifkan Indeks Cuaca](#enabling-weather)
+ [Menambahkan Informasi Geolokasi ke Kumpulan Data](#adding-geolocation)
+ [Menentukan Zona Waktu](#specifying-timezones)
+ [Ketentuan dan Pembatasan](#weather-conditions-restrictions)
## Mengaktifkan Indeks Cuaca
Indeks Cuaca diaktifkan selama tahap pelatihan prediktor. Saat menggunakan [`CreateAutoPredictor`](API_CreateAutoPredictor.md)operasi, Indeks Cuaca disertakan dalam tipe [AdditionalDataset](API_AdditionalDataset.md)data.
Sebelum mengaktifkan Indeks Cuaca, Anda harus menyertakan atribut geolokasi dalam deret waktu target dan kumpulan data timeseries terkait, dan menentukan zona waktu untuk stempel waktu Anda. Untuk informasi selengkapnya, lihat [Menambahkan Informasi Geolokasi](#adding-geolocation) dan [Menentukan Zona Waktu](#specifying-timezones).
Anda dapat mengaktifkan Indeks Cuaca menggunakan konsol Forecast atau Forecast Software Development Kit (SDK).
------
#### [ Console ]
**Untuk mengaktifkan Indeks Cuaca**
1. Masuk ke Konsol Manajemen AWS dan buka konsol Amazon Forecast di [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Dari grup **Dataset, pilih grup kumpulan** data Anda.
1. Di panel navigasi, pilih **Prediktor**.
1. Pilih **Latih prediktor baru**.
1. Pilih **Aktifkan Indeks Cuaca**.
------
#### [ SDK ]
**Untuk mengaktifkan Indeks Cuaca**
Menggunakan [`CreateAutoPredictor`](API_CreateAutoPredictor.md)operasi, aktifkan Indeks Cuaca dengan menambahkan `"Name": "weather"` dan `"Value": "true"` dalam tipe [AdditionalDataset](API_AdditionalDataset.md)data.
```
"DataConfig": {
...
"AdditionalDatasets": [
...
{
"Name": "weather",
}
]
},
```
------
## Menambahkan Informasi Geolokasi ke Kumpulan Data
Untuk menggunakan Indeks Cuaca, Anda harus menyertakan atribut geolokasi untuk setiap item dalam deret waktu target Anda dan kumpulan data deret waktu terkait. Atribut didefinisikan dengan jenis `geolocation` atribut dalam skema dataset.
Semua nilai geolokasi dalam kumpulan data harus secara eksklusif dalam satu wilayah. Wilayah tersebut adalah: AS (tidak termasuk Hawaii dan Alaska), Kanada, Amerika Selatan, Amerika Tengah, Asia Pasifik, Eropa, dan Afrika & Timur Tengah.
Tentukan atribut geolokasi dalam salah satu dari dua format:
+ **Lintang & Bujur (Semua wilayah) - Tentukan garis lintang** dan bujur dalam format desimal (Contoh: 47.61\$1-122.33)
+ **Kode pos** (hanya AS) - Tentukan kode negara (AS), diikuti oleh kode pos 5 digit (Contoh: US\$198121)
Format Latitude & Longitude didukung untuk semua wilayah. Format kode pos hanya didukung untuk wilayah AS.
**Topics**
+ [Batas Lintang & Bujur](#geolocation-bounds)
+ [Termasuk Geolokasi dalam Skema Dataset](#geolocation-schema)
+ [Mengatur Format Geolokasi](#geolocation-format)
### Batas Lintang & Bujur
Berikut ini adalah batas lintang dan longitudinal untuk wilayah yang diterima:
------
#### [ US Region ]
**Batas: lintang** (24.6, 50.0), bujur (-126.0, -66.4).
![\[Map of North America showing United States, parts of Canada and Mexico with major cities.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/weather-us-bounds.png)
------
#### [ Canada Region ]
**Batas:** lintang (41.0, 75.0), bujur (-142.0, -52.0).
![\[Map showing northern Canada and parts of the US, highlighting territories and major cities.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/weather-can-bounds.PNG)
------
#### [ Europe Region ]
**Batas:** lintang (34.8, 71.8), bujur (-12.6, 44.8).
![\[Map of Northern Europe and surrounding regions showing countries and major cities.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/weather-euro-bounds.png)
------
#### [ South America Region ]
**Batas: lintang** (-56.6, 14.0), bujur (-82.4, -33.00).
![\[Map of South America showing countries, major cities, and Brazilian states.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/weather-sa-bounds.PNG)
------
#### [ Asia Pacific Region ]
**Batas: garis** lintang (-47.8, 55.0), bujur (67.0, 180.60).
![\[Map showing East Asia, Southeast Asia, and Australia with country names and ocean labels.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/weather-apac-bounds.png)
------
#### [ Central America Region ]
**Batas: lintang** (6.80, 33.20), bujur (-118.80, -58.20).
![\[Map showing southern US, Mexico, Central America, and Caribbean with major cities and bodies of water.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/weather-ca-bounds.png)
------
#### [ Africa & Middle East Region ]
**Batas: lintang** (-35.60, 43.40), bujur (-18.80, -58.20).
![\[Map showing North Africa, Middle East, and parts of Europe with country names and borders.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/weather-africa-bounds.png)
------
### Termasuk Geolokasi dalam Skema Dataset
Menggunakan konsol atau [CreateDataset](API_CreateDataset.md)operasi, tentukan jenis atribut lokasi sebagai 'geolokasi' dalam skema JSON untuk deret waktu target dan deret waktu terkait. Atribut dalam skema harus diurutkan seperti yang muncul di kumpulan data.
```
{
"Attributes":[
{
"AttributeName": "timestamp",
"AttributeType": "timestamp"
},
{
"AttributeName": "target_value",
"AttributeType": "float"
},
{
"AttributeName": "item_id",
"AttributeType": "string"
},
{
"AttributeName": "location",
"AttributeType": "geolocation"
}
]
}
```
### Mengatur Format Geolokasi
Format atribut geolokasi dapat dalam format **Kode Pos** atau **Latitude & Longitude**. Anda dapat mengatur format geolokasi menggunakan konsol Forecast atau Forecast Software Development Kit (SDK).
------
#### [ Console ]
**Untuk menambahkan atribut geolokasi ke dataset deret waktu**
1. Masuk ke Konsol Manajemen AWS dan buka konsol Amazon Forecast di [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Pilih **Buat grup kumpulan data**.
1. Di **pembuat Skema**, setel **tipe Atribut** geolokasi Anda ke. `geolocation`
1. Di drop-down **format Geolokasi**, pilih format lokasi Anda.
![\[Dataset details form with name, frequency, and schema builder for attribute specification.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/schema-builder-geolocation.png)
Anda juga dapat menentukan atribut Anda dalam format JSON dan memilih format lokasi dari drop-down format **Geolocation**.
------
#### [ SDK ]
**Untuk menambahkan atribut geolokasi ke dataset deret waktu**
Menggunakan [ CreateDatasetImportJob](API_CreateDatasetImportJob.md)operasi, atur nilai `GeolocationFormat` ke salah satu dari berikut ini:
+ **Lintang & Bujur** (Semua wilayah): `"LAT_LONG"`
+ **Kode Pos** (Hanya AS): `"CC_POSTALCODE"`
Misalnya, untuk menentukan format lintang & bujur, sertakan yang berikut ini dalam `CreateDatasetImportJob` permintaan:
```
{
...
"GeolocationFormat": "LAT_LONG"
}
```
------
## Menentukan Zona Waktu
Anda dapat membiarkan Amazon Forecast secara otomatis menyinkronkan informasi zona waktu Anda dengan atribut geolokasi Anda, atau Anda dapat menetapkan satu zona waktu secara manual ke seluruh kumpulan data Anda.
**Topics**
+ [Sinkronkan Zona Waktu Secara Otomatis dengan Geolokasi](#timezones-automatic)
+ [Pilih Zona Waktu Tunggal Secara Manual](#timezones-manual)
### Sinkronkan Zona Waktu Secara Otomatis dengan Geolokasi
Opsi ini ideal untuk kumpulan data yang berisi stempel waktu di beberapa zona waktu, dan stempel waktu tersebut dinyatakan dalam waktu setempat. Forecast menetapkan zona waktu untuk setiap item dalam kumpulan data deret waktu target berdasarkan atribut geolokasi item.
Anda dapat secara otomatis menyinkronkan stempel waktu dengan atribut geolokasi menggunakan konsol Forecast atau Forecast SDK.
------
#### [ Console ]
**Untuk menyinkronkan zona waktu dengan atribut geolokasi**
1. Masuk ke Konsol Manajemen AWS dan buka konsol Amazon Forecast di [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Di panel navigasi, pilih **Buat grup kumpulan data**.
1. Di **Detail impor Dataset**, pilih **Sinkronkan zona waktu dengan lokasi**.
![\[Dataset import form with fields for name, time zone, S3 data location, and IAM role.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/sync-timezone-with-geolocation.PNG)
------
#### [ SDK ]
**Untuk menyinkronkan zona waktu dengan atribut geolokasi**
Menggunakan [ CreateDatasetImportJob](API_CreateDatasetImportJob.md)operasi, atur `"UseGeolocationForTimeZone"` ke`"true"`.
```
{
...
"UseGeolocationForTimeZone": "true"
}
```
------
### Pilih Zona Waktu Tunggal Secara Manual
**catatan**
Anda dapat secara manual memilih zona waktu di luar *wilayah AS, wilayah* *Kanada**, wilayah Amerika Selatan**, wilayah Amerika Tengah**, wilayah Asia Pasifik**, wilayah Eropa*, *dan wilayah Afrika & Timur Tengah*. Namun, semua nilai geolokasi harus tetap berada dalam salah satu wilayah tersebut.
Opsi ini ideal untuk kumpulan data dengan semua stempel waktu dalam satu zona waktu, atau jika semua stempel waktu dinormalisasi ke satu zona waktu. Menggunakan opsi ini menerapkan zona waktu yang sama untuk setiap item dalam kumpulan data.
Indeks Cuaca menerima zona waktu berikut:
**Wilayah AS**
+ Amerika/Los\$1Angeles
+ America/Phoenix
+ America/Denver
+ America/Chicago
+ Amerika/New\$1York
**Wilayah Kanada**
+ Amerika/Vancouver
+ Amerika/Edmonton
+ Amerika/Regina
+ Amerika/Winnipeg
+ Amerika/Toronto
+ Amerika/Halifax
+ Amerika/St\$1Johns
**Wilayah Eropa**
+ Eropa/London
+ Eropa/Paris
+ Eropa/Helsinki
**Wilayah Amerika Selatan**
+ Amerika/Buenos\$1Aires
+ Amerika/Noronha
+ Amerika/Caracas
**Wilayah Asia Pasifik**
+ Asia/Kabul
+ Asia/Karachi
+ Asia/Kolkata
+ Asia/Kathmandu
+ Asia/Dhaka
+ Asia/Rangun
+ Asia/Bangkok
+ Asia/Singapura
+ Asia/Seoul
+ Australia/Adelaide
+ Australia/Melbourne
+ Australia/Lord\$1Howe
+ Australia/Eucla
+ Pasifik/Norfolk
+ Pasifik/Auckland
**Amerika Tengah**
+ Amerika/Puerto\$1Rico
**Afrika & Timur Tengah**
+ Afrika/Nairobi
+ Asia/Teheran
+ Asia/Dubai
**Lainnya**
+ Pasifik/Midway
+ Pasifik/Honolulu
+ Pasifik/Marquesas
+ Amerika/Anchorage
+ Atlantik/Cape\$1Verde
+ Asia/Anadyr
+ Pasifik/Chatham
+ Pasifik/Enderbury
+ Pasifik/Kiritimati
Pilih zona waktu dari daftar **Lain** jika item dalam kumpulan data Anda berada di salah satu wilayah yang diterima, tetapi stempel waktu Anda distandarisasi ke zona waktu di luar wilayah tersebut.
Untuk daftar lengkap nama zona waktu yang valid, lihat [Pustaka Joda-Time](http://joda-time.sourceforge.net/timezones.html).
Anda dapat mengatur zona waktu untuk kumpulan data secara manual menggunakan konsol Forecast atau Forecast SDK.
------
#### [ Console ]
**Untuk memilih satu zona waktu untuk kumpulan data Anda**
1. Masuk ke Konsol Manajemen AWS dan buka konsol Amazon Forecast di [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Di panel navigasi, pilih **Buat grup kumpulan data**.
1. Di **Detail impor set data**, pilih **Pilih zona waktu**.
Misalnya, gunakan yang berikut ini untuk menerapkan waktu Los Angeles (Waktu Standar Pasifik) ke kumpulan data Anda.
![\[Dataset import form with fields for name, time zone, data location, and IAM role.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/select-timezone.PNG)
------
#### [ SDK ]
**Untuk memilih satu zona waktu untuk kumpulan data Anda**
Menggunakan [ CreateDatasetImportJob](API_CreateDatasetImportJob.md)operasi, atur `"TimeZone"` ke zona waktu yang valid.
Misalnya, gunakan yang berikut ini untuk menerapkan waktu Los Angeles (Waktu Standar Pasifik) ke kumpulan data Anda.
```
{
...
"TimeZone": "America/Los_Angeles"
}
```
------
## Ketentuan dan Pembatasan
Ketentuan dan batasan berikut berlaku saat menggunakan Indeks Cuaca:
+ **Algoritma yang tersedia**: Jika menggunakan prediktor lama, Indeks Cuaca dapat diaktifkan saat Anda melatih prediktor dengan algoritma CNN-QR, DeepAR\$1, dan Prophet. Indeks Cuaca tidak diterapkan pada ARIMA, ETS, dan NPTS.
+ **Frekuensi Forecast**: Frekuensi perkiraan yang valid adalah`Minutely`,`Hourly`, dan`Daily`.
+ **Forecast horizon**: Cakrawala prakiraan tidak dapat menjangkau lebih dari 14 hari ke depan. Untuk batas cakrawala perkiraan untuk setiap frekuensi perkiraan, lihat daftar di bawah ini:
+ `1 minute`- 500
+ `5 minutes`- 500
+ `10 minutes`- 500
+ `15 minutes`- 500
+ `Hourly`- 330
+ `Daily`- 14
+ **Panjang deret waktu**: Saat melatih model dengan Indeks Cuaca, Forecast memotong semua kumpulan data deret waktu dengan stempel waktu sebelum tanggal mulai featurisasi dataset cuaca Forecast. Featurisasi dataset cuaca Forecast berisi tanggal mulai berikut:
+ **Wilayah AS**: 2 Juli 2018
+ **Wilayah Eropa**: 2 Juli 2018
+ **Wilayah Asia Pasifik**: 2 Juli 2018
+ Wilayah **Kanada**: 2 Juli 2019
+ **Wilayah Amerika Selatan**: 2 Januari 2020
+ **Wilayah Amerika Tengah**: 2 September 2020
+ **Wilayah Afrika & Timur Tengah**: 25 Maret 2021
Dengan Indeks Cuaca diaktifkan, titik data dengan stempel waktu sebelum tanggal mulai tidak akan digunakan selama pelatihan prediktor.
+ **Jumlah lokasi**: Kumpulan data deret waktu target tidak dapat melebihi 2000 lokasi unik.
+ **Batas wilayah**: Semua item dalam kumpulan data Anda harus berada dalam satu wilayah.
+ **Panjang deret waktu minimum**: Karena persyaratan data tambahan saat menguji Indeks Cuaca, panjang minimum untuk kumpulan data deret waktu adalah:
`3 × ForecastHorizon + (BacktestWindows + 1) × BacktestWindowOffset`
Jika kumpulan data deret waktu Anda tidak memenuhi persyaratan ini, pertimbangkan untuk mengurangi hal berikut:
+ `ForecastHorizon`- Mempersingkat cakrawala perkiraan Anda.
+ `BacktestWindowOffset`- Mempersingkat panjang set pengujian selama backtesting.
+ `BacktestWindows`- Kurangi jumlah backtests.
# Featurisasi Liburan
Liburan adalah fitur bawaan yang menggabungkan kumpulan data informasi hari libur nasional yang direkayasa fitur ke dalam model Anda. Ini memberikan dukungan asli untuk kalender liburan lebih dari 250 negara. Amazon Forecast menggabungkan [library Holiday API](https://holidayapi.com/countries) dan [Jollyday API](https://jollyday.sourceforge.net/data.html) untuk menghasilkan kalender liburan.
Featurisasi Liburan sangat berguna dalam domain ritel, di mana hari libur nasional dapat secara signifikan mempengaruhi permintaan.
Featurisasi Liburan mendukung frekuensi perkiraan minimum 5 menit dan maksimum 1 bulan.
**Topics**
+ [Mengaktifkan Featurisasi Liburan](#enabling-holidays)
+ [Kode Negara](#holidays-country-codes)
+ [Kalender Liburan Tambahan](#holiday-calendars)
## Mengaktifkan Featurisasi Liburan
Featurisasi Liburan disertakan dalam Amazon Forecast sebagai [Dataset Tambahan](API_AdditionalDataset.md), dan diaktifkan sebelum melatih prediktor. Direkomendasikan bahwa data historis Anda berisi setidaknya dua tahun data. Hal ini memungkinkan Forecast untuk mengidentifikasi pola permintaan yang terkait dengan hari libur tertentu. Setelah Anda memilih negara, Liburan menerapkan kalender liburan negara tersebut ke setiap item dalam kumpulan data Anda selama pelatihan.
Anda dapat mengaktifkan Holidays menggunakan konsol Amazon Forecast atau Forecast Software Development Kit (SDK).
------
#### [ Forecast SDK ]
Menggunakan [`CreateAutoPredictor`](API_CreateAutoPredictor.md)operasi, aktifkan Liburan dengan menambahkan `"Name": "holiday` "dan pengaturan `"Configuration"` untuk memetakan `"CountryCode"` kode negara dua huruf. Lihat [Kode Negara](#holidays-country-codes).
Misalnya, untuk menyertakan kalender liburan AS, gunakan kode berikut.
```
"DataConfig": {
"AdditionalDatasets": [
{
"Name": "holiday",
"Configuration": {
"CountryCode" : ["US"]
}
},
]
},
```
------
#### [ Forecast Console ]
Pilih negara dari drop-down **Negara untuk Liburan** selama tahap **Prediktor Kereta**.
![\[Toggle switch to activate holidays and dropdown menu to select a country for forecast accuracy.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/holidays-dropdown-2.png)
------
## Kode Negara
Amazon Forecast menyediakan dukungan asli untuk kalender hari libur umum dari negara-negara berikut. Gunakan **Kode Negara** saat menentukan negara dengan API.
**Negara yang Didukung**
| Negara | Kode Negara |
| --- | --- |
| Afghanistan | AF |
| Kepulauan Åland | AX |
| Albania | AL |
| Aljazair | DZ |
| Samoa Amerika | AS |
| Andorra | AD |
| Angola | AO |
| Anguilla | AI |
| Antartika | AQ |
| Antigua dan Barbuda | AG |
| Argentina | AR |
| Armenia | AM |
| Aruba | AW |
| Australia | AU |
| Austria | AT |
| Azerbaijan | AZ |
| Bahama | BS |
| Bahrain | BH |
| Bangladesh | BD |
| Barbados | BB |
| Belarus | BY |
| Belgium | BE |
| Belize | BZ |
| Benin | BJ |
| Bermuda | BM |
| Bhutan | BT |
| Bolivia | BO |
| Bosnia dan Herzegovina | BA |
| Botswana | BW |
| Pulau Bouvet | BV |
| Brazil | BR |
| Wilayah Samudra Hindia Britania | IO |
| Kepulauan Virgin Britania | VG |
| Brunei Darussalam | BN |
| Bulgaria | BG |
| Burkina Faso | BF |
| Burundi | BI |
| Kamboja | KH |
| Kamerun | CM |
| Kanada | CA |
| Tanjung Verde | CV |
| Karibia Belanda | BQ |
| Kepulauan Cayman | KY |
| Republik Afrika Tengah | CF |
| Chad | TD |
| Chili | CL |
| Tiongkok | CN |
| Pulau Natal | CX |
| Kepulauan Cocos (Keeling) | CC |
| Kolombia | CO |
| Komoro | KM |
| Kepulauan Cook | CK |
| Kosta Rika | CR |
| Kroasia | HR |
| Kuba | CU |
| Curacao | CW |
| Cyprus | CY |
| Ceko | CZ |
| Republik Demokrasi Kongo | CD |
| Denmark | DK |
| Djibouti | DJ |
| Dominika | DM |
| Republik Dominika | DO |
| Ekuador | EC |
| Mesir | EG |
| El Salvador | SV |
| Guinea Khatulistiwa | GQ |
| Eritrea | ER |
| Estonia | EE |
| Eswatini | SZ |
| Etiopia | ET |
| Kepulauan Falkland | FK |
| Kepulauan Faroe | FO |
| Fiji | FJ |
| Finland | FI |
| France | FR |
| Guyana Prancis | GF |
| Polinesia Prancis | PF |
| Wilayah Selatan Prancis | TF |
| Gabon | GA |
| Gambia | GM |
| Georgia | GE |
| Germany | DE |
| Ghana | GH |
| Gibraltar | GI |
| Greece | GR |
| Greenland | GL |
| Grenada | GD |
| Guadeloupe | GP |
| Guam | GU |
| Guatemala | GT |
| Guernsey | GG |
| Guinea | GN |
| Guinea-Bissau | GW |
| Guyana | GY |
| Haiti | HT |
| Pulau Heard dan McDonald Kepulauan | HM |
| Honduras | HN |
| Hong Kong | HK |
| Hungary | HU |
| Islandia | IS |
| India | IN |
| Indonesia | ID |
| Iran | IR |
| Irak | IQ |
| Irlandia | IE |
| Pulau Man | IM |
| Israel | IL |
| Italy | IT |
| Pantai Gading | CI |
| Jamaika | JM |
| Jepang | JP |
| Jersey | JE |
| Yordania | JO |
| Kazakstan | KZ |
| Kenya | KE |
| Kiribati | KI |
| Kosovo | XK |
| Kuwait | KW |
| Kirgistan | KG |
| Laos | LA |
| Latvia | LV |
| Libanon | LB |
| Lesotho | LS |
| Liberia | LR |
| Libya | LY |
| Liechtenstein | LI |
| Lithuania | LT |
| Luxembourg | LU |
| Makao | MO |
| Madagaskar | MG |
| Malawi | MW |
| Malaysia | MY |
| Maladewa | MV |
| Mali | ML |
| Malta | MT |
| Kepulauan Marshall | MH |
| Martinik | MQ |
| Mauritania | MR |
| Mauritius | MU |
| Mayotte | YT |
| Meksiko | MX |
| Mikronesia | FM |
| Moldova | MD |
| Monako | MC |
| Mongolia | MN |
| Montenegro | ME |
| Montserrat | MS |
| Maroko | MA |
| Mozambik | MZ |
| Myanmar | MM |
| Namibia | NA |
| Nauru | NR |
| Nepal | NP |
| Belanda | NL |
| Kaledonia Baru | NC |
| Selandia Baru | NZ |
| Nikaragua | NI |
| Niger | NE |
| Nigeria | NG |
| Niue | NU |
| Pulau Norfolk | NF |
| Korea Utara | KP |
| Makedonia Utara | MK |
| Kepulauan Mariana Utara | MP |
| Norwegia | NO |
| Oman | OM |
| Pakistan | PK |
| Palau | PW |
| Palestina | PS |
| Panama | PA |
| Papua Nugini | PG |
| Paraguay | PY |
| Peru | PE |
| Filipina | PH |
| Kepulauan Pitcairn | PN |
| Poland | PL |
| Portugal | PT |
| Puerto Riko | PR |
| Qatar | QA |
| Republik Kongo | CG |
| Reuni | RE |
| Romania | RO |
| Federasi Rusia | RU |
| Rwanda | RW |
| Santo Barthélemy | BL |
| “Saint Helena, Kenaikan dan Tristan da Cunha” | SH |
| Saint Kitts dan Nevis | KN |
| Saint Lucia | LC |
| Santo Martin | MF |
| Saint Pierre dan Miquelon | PM |
| Saint Vincent dan Grenadines | VC |
| Samoa | WS |
| San Marino | SM |
| Sao Tome dan Principe | ST |
| Arab Saudi | SA |
| Senegal | SN |
| Serbia | RS |
| Seychelles | SC |
| Sierra Leone | SL |
| Singapura | SG |
| Sint Maarten | SX |
| Slovakia | SK |
| Slovenia | SI |
| Kepulauan Solomon | SB |
| Somalia | SO |
| Afrika Selatan | ZA |
| Georgia Selatan dan Kepulauan Sandwich Selatan | GS |
| Korea Selatan | KR |
| Sudan Selatan | SS |
| Spain | ES |
| Sri Lanka | LK |
| Sudan | SD |
| Suriname | SR |
| Svalbard dan Jan Mayen | SJ |
| Sweden | SE |
| Swiss | CH |
| Republik Arab Suriah | SY |
| Taiwan | TW |
| Tajikistan | TJ |
| Tanzania | TZ |
| Thailand | TH |
| Timor-Leste | TL |
| Togo | TG |
| Tokelau | TK |
| Tonga | TO |
| Trinidad dan Tobago | TT |
| Tunisia | TN |
| Turki | TR |
| Turkmenistan | TM |
| Kepulauan Turks dan Caicos | TC |
| Tuvalu | TV |
| Uganda | UG |
| Ukraina | UA |
| Uni Emirat Arab | AE |
| Britania Raya | GB |
| Perserikatan Bangsa-Bangsa | UN |
| Amerika Serikat | US |
| Kepulauan Terluar Kecil Amerika Serikat | UM |
| Kepulauan Virgin Amerika Serikat | VI |
| Uruguay | UY |
| Uzbekistan | UZ |
| Vanuatu | VU |
| Kota Vatikan | VA |
| Venezuela | VE |
| Vietnam | VN |
| Wallis dan Futuna | WF |
| Sahara Barat | EH |
| Yaman | YE |
| Zambia | ZM |
| Zimbabwe | ZW |
## Kalender Liburan Tambahan
Amazon Forecast juga mendukung liburan untuk India, Korea, dan Uni Emirat Arab. Liburan mereka tercantum di bawah ini.
------
#### [ India - "IN" ]
26 Januari - Hari Republik
15 Agustus - Hari Kemerdekaan
2 Oktober - Gandhi Jayanti
------
#### [ Korea - "KR" ]
1 Januari - Tahun Baru
1 Maret - Hari Gerakan Kemerdekaan
5 Mei - Hari Anak
6 Juni - Hari Peringatan
15 Agustus - Hari Pembebasan
3 Oktober - Hari Yayasan Nasional
9 Oktober - Hari Hangul
25 Desember - Hari Natal
------
#### [ United Arab Emirates - "AE" ]
1 Januari - Tahun Baru
1 Desember - Hari Peringatan
2-3 Desember - Hari Nasional
Ramadan\$1
Idul Fitr\$1
Idul Adha\$1
Tahun Baru Islam\$1
\$1Hari Libur Islam ditentukan oleh siklus bulan.
------
# Penjelasan Prediktor
Penjelasan Prediktor membantu Anda lebih memahami bagaimana atribut dalam kumpulan data memengaruhi variabel target Anda. Forecast menggunakan metrik yang disebut Skor dampak untuk mengukur dampak relatif dari setiap atribut dan menentukan apakah mereka meningkatkan atau menurunkan nilai perkiraan.
Misalnya, pertimbangkan skenario peramalan di mana target berada `sales` dan ada dua atribut terkait: `price` dan`color`. Forecast mungkin menemukan bahwa harga item secara signifikan mempengaruhi penjualan (skor Dampak tinggi), sedangkan warna item memiliki efek yang dapat diabaikan (skor Dampak rendah).
Untuk mengaktifkan Keterjelasan Prediktor, prediktor Anda harus menyertakan setidaknya satu dari yang berikut: deret waktu terkait, metadata item, atau kumpulan data tambahan seperti Liburan dan Indeks Cuaca. Untuk informasi selengkapnya, lihat [Pembatasan dan praktik terbaik](#predictor-explainability-best-practices).
Untuk membuat skor Dampak untuk deret waktu dan titik waktu tertentu, gunakan Forecast Explainability alih-alih Predictor Explainability. Lihat [Forecast Explainability](forecast-explainability.md).
**Topics**
+ [Menafsirkan Skor Dampak](#predictor-explainability-impact-scores)
+ [Menciptakan Keterjelasan Prediktor](#creating-predictor-explainability)
+ [Mengekspor Penjelasan Prediktor](#exporting-predictor-explainability)
+ [Pembatasan dan praktik terbaik](#predictor-explainability-best-practices)
## Menafsirkan Skor Dampak
Skor dampak mengukur atribut dampak relatif terhadap nilai perkiraan. Misalnya, jika atribut 'harga' memiliki skor dampak yang dua kali lebih besar dari atribut 'lokasi penyimpanan', Anda dapat menyimpulkan bahwa harga suatu item memiliki dampak dua kali lipat pada nilai perkiraan daripada lokasi toko.
Skor dampak juga memberikan informasi tentang apakah atribut meningkatkan atau menurunkan nilai perkiraan. Di konsol, ini dilambangkan dengan dua grafik. Atribut dengan bilah biru meningkatkan nilai perkiraan, sementara atribut dengan bilah merah menurunkan nilai perkiraan.
![\[Bar graphs showing Price and Promo increasing impact scores, StoreLocation decreasing impact score.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/quicksight-unfiltered.png)
Di konsol, skor Dampak berkisar dari 0 hingga 1, di mana skor 0 menunjukkan tidak ada dampak dan skor mendekati 1 menunjukkan dampak yang signifikan. Dalam SDKs, Skor dampak berkisar dari -1 hingga 1, di mana tanda menunjukkan arah dampak.
Penting untuk dicatat bahwa Skor dampak mengukur dampak relatif atribut, bukan dampak absolut. Oleh karena itu, skor Dampak tidak dapat digunakan untuk menentukan apakah atribut tertentu meningkatkan akurasi model. Jika atribut memiliki skor Dampak rendah, itu tidak berarti bahwa ia memiliki dampak rendah pada nilai perkiraan; itu berarti bahwa ia memiliki dampak yang lebih rendah pada nilai perkiraan daripada atribut lain yang digunakan oleh prediktor.
## Menciptakan Keterjelasan Prediktor
**catatan**
Anda dapat membuat maksimal satu Predictor Explainability per prediktor
Saat Anda mengaktifkan Predictor Explainability, Amazon Forecast menghitung skor Dampak untuk semua atribut dalam kumpulan data Anda. Skor Dampak dapat diartikan sebagai atribut dampak terhadap nilai perkiraan keseluruhan. Anda dapat mengaktifkan Predictor Explainability saat membuat prediktor, atau Anda dapat mengaktifkan fitur tersebut setelah membuat prediktor.
### Mengaktifkan Penjelasan Prediktor untuk prediktor baru
Mengaktifkan Keterjelasan Prediktor saat membuat prediktor baru akan membuat sumber daya Prediktor dan sumber daya Penjelasan. Anda dapat mengaktifkan Predictor Explainability untuk prediktor baru menggunakan Software Development Kit (SDK) atau konsol Amazon Forecast.
------
#### [ Console ]
**Untuk mengaktifkan Penjelasan Prediktor**
1. Masuk ke Konsol Manajemen AWS dan buka konsol Amazon Forecast di [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Dari grup **Dataset, pilih grup kumpulan** data Anda.
1. Di panel navigasi, pilih **Prediktor**.
1. Pilih **Latih prediktor baru**.
1. Di bagian **konfigurasi Prediktor**, pilih **Aktifkan Keterangan.**
1. Berikan nilai untuk bidang wajib berikut:
+ **Nama - nama** prediktor yang unik.
+ **Frekuensi Forecast** - perincian perkiraan Anda.
+ **Forecast horizon** - Jumlah langkah waktu untuk memperkirakan.
1. Pilih **Mulai**
------
#### [ Python ]
Untuk mengaktifkan penjelasan untuk prediktor baru dengan SDK for Python (Boto3), gunakan metode dan atur ke true. `create_auto_predictor` ExplainPredictor
Kode berikut membuat prediktor otomatis yang membuat prediksi selama 24 (`ForecastHorizon`) days (`ForecastFrequency`) di masa depan, dan telah `ExplainPredictor` disetel ke true. Untuk informasi tentang parameter wajib dan opsional, lihat[CreateAutoPredictor](API_CreateAutoPredictor.md).
```
import boto3
forecast = boto3.client('forecast')
create_predictor_response = forecast.create_auto_predictor(
PredictorName = 'predictor_name',
ForecastHorizon = 24,
ForecastFrequency = 'D',
DataConfig = {
"DatasetGroupArn": "arn:aws:forecast:region:account:dataset-group/datasetGroupName"
},
ExplainPredictor = True
)
```
------
### Mengaktifkan Penjelasan Prediktor untuk prediktor yang ada
Mengaktifkan Penjelasan Prediktor untuk prediktor yang ada akan membuat sumber daya Explainability untuk sumber daya itu. Anda hanya dapat membuat sumber daya Explainability untuk prediktor yang belum berisi sumber daya Explainability. Untuk melihat skor Dampak untuk kumpulan data yang diperbarui, latih ulang atau buat ulang prediktor dengan data yang diperbarui.
Anda dapat mengaktifkan Predictor Explainability untuk prediktor baru menggunakan Software Development Kit (SDK) atau konsol Amazon Forecast.
------
#### [ Console ]
**Untuk mengaktifkan Penjelasan Prediktor**
1. Masuk ke Konsol Manajemen AWS dan buka konsol Amazon Forecast di [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Dari grup **Dataset, pilih grup kumpulan** data Anda.
1. Di panel navigasi, pilih **Prediktor**.
1. Pilih prediktor Anda.
1. **Di bagian **Predictor Explainability**, pilih Enable Explainability.**
1. Berikan nama unik untuk Prediktor Explainability.
1. Pilih **Mulai**
------
#### [ Python ]
Untuk mengaktifkan Predictor Explainability untuk prediktor yang ada dengan SDK for Python (Boto3), gunakan metode ini. `create_explainability` **Tentukan nama untuk penjelasan, ARN untuk prediktor, dan untuk`ExplainabilityConfig`, atur keduanya dan ke SEMUA. `TimePointGranularity` `TimeSeriesGranularity`** **Untuk membuat visualisasi Explainability yang dapat dilihat di dalam konsol, atur ke True. `EnableVisualization`**
Untuk informasi tentang parameter wajib dan opsional, lihat[CreateExplainability](API_CreateExplainability.md).
```
import boto3
forecast = boto3.client('forecast')
create_explainability_response = forecast.create_explainability(
ExplainabilityName = 'explainability_name',
ResourceArn = 'arn:aws:forecast:region:accountNumber:predictor/predictorName',
ExplainabilityConfig = {
"TimePointGranularity": "ALL",
"TimeSeriesGranularity": "ALL"
},
EnableVisualization = True
)
```
------
## Mengekspor Penjelasan Prediktor
**catatan**
Ekspor file dapat langsung mengembalikan informasi dari Dataset Impor. Ini membuat file rentan terhadap injeksi CSV jika data yang diimpor berisi rumus atau perintah. Untuk alasan ini, file yang diekspor dapat meminta peringatan keamanan. Untuk menghindari aktivitas berbahaya, nonaktifkan tautan dan makro saat membaca file yang diekspor.
Forecast memungkinkan Anda untuk mengekspor file CSV atau Parquet dari skor Dampak ke lokasi S3. Skor Dampak berkisar dari -1 hingga 1, di mana tanda menunjukkan arah tumbukan. Anda dapat mengekspor skor Dampak menggunakan Amazon Forecast Software Development Kit (SDK) dan konsol Amazon Forecast.
![\[Table showing normalized impact scores for price, promotion, weather index, and US holidays.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/explainability-global.png)
------
#### [ Console ]
**Untuk mengekspor Keterangan Prediktor**
1. Masuk ke Konsol Manajemen AWS dan buka konsol Amazon Forecast di [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Dari grup **Dataset, pilih grup kumpulan** data Anda.
1. Di panel navigasi, pilih **Prediktor**.
1. Pilih prediktor Anda.
1. **Di bagian **Predictor Explainability**, pilih Ekspor.**
1. Untuk bidang **Ekspor nama**, berikan nama unik untuk ekspor.
1. Untuk bidang **lokasi ekspor penjelasan S3, berikan lokasi** S3 untuk mengekspor file CSV.
1. Untuk bidang **Peran IAM**, berikan peran dengan akses ke lokasi S3 yang ditentukan.
1. Pilih **Buat ekspor.**
------
#### [ Python ]
Untuk mengekspor Predictor Explainability dengan SDK for Python (Boto3), gunakan metode ini. `create_explainability_export` Beri nama pekerjaan, tentukan ARN dari penjelasan, dan, di `Destination` objek, tentukan lokasi tujuan Amazon S3 Anda, dan peran layanan IAM.
Untuk informasi tentang parameter wajib dan opsional, lihat[CreateExplainabilityExport](API_CreateExplainabilityExport.md).
```
import boto3
forecast = boto3.client('forecast')
export_response = forecast.create_explainability_export(
Destination = {
"S3Config": {
"Path": "s3://bucketName/filename.csv",
"RoleArn": "arn:aws:iam::accountNumber:role/roleName"
}
},
ExplainabilityArn = 'arn:aws:forecast:region:accountNumber:explainability/explainabilityName',
ExplainabilityExportName = 'job_name'
)
```
------
## Pembatasan dan praktik terbaik
Pertimbangkan batasan dan praktik terbaik berikut saat bekerja dengan Predictor Explainability.
+ **Keterjelasan Prediktor hanya tersedia untuk beberapa prediktor yang dibuat dengan AutoPredictor** - Anda tidak dapat mengaktifkan Keterjelasan untuk prediktor lama yang dibuat dengan AutoML atau melalui pemilihan manual. Lihat [Memutakhirkan ke AutoPredictor](howitworks-predictor.md#upgrading-autopredictor).
+ **Penjelasan Prediktor tidak tersedia untuk semua model - Model** ARIMA (AutoRegressive Integrated Moving Average), ETS (Exponential Smoothing State Space Model), dan NPTS (Non-Parametric Time Series) tidak menggabungkan data deret waktu eksternal. Oleh karena itu, model ini tidak membuat laporan penjelasan, bahkan jika Anda menyertakan kumpulan data tambahan.
+ **Keterjelasan membutuhkan atribut** - Prediktor Anda harus menyertakan setidaknya satu dari yang berikut: deret waktu terkait, metadata item, Liburan, atau Indeks Cuaca.
+ **Prediktor terbatas pada satu Sumber daya penjelasan - Anda tidak dapat membuat beberapa sumber daya** Penjelasan untuk prediktor. Jika Anda tertarik dengan skor Dampak untuk kumpulan data yang diperbarui, latih kembali prediktor Anda.
+ **Skor dampak nol menunjukkan tidak ada dampak** - Jika atribut memiliki skor dampak 0, maka atribut tersebut tidak memiliki dampak signifikan pada nilai perkiraan.
+ **Mencoba kembali pekerjaan Predictor Explainability yang gagal -** Jika Forecast berhasil membuat Predictor tetapi pekerjaan Predictor Explainability gagal, Anda dapat mencoba lagi membuat Predictor Explainability di konsol atau dengan operasi. CreateExplainability
+ **Anda tidak dapat membuat skor Dampak untuk titik waktu dan deret waktu tertentu** - Untuk melihat skor Dampak untuk titik waktu dan deret waktu tertentu, lihat [Forecast Explainability](forecast-explainability.md).
+ **Visualisasi Keterangan Prediktor tersedia selama 90 hari setelah pembuatan - Untuk melihat visualisasi setelah** 90 hari, latih kembali prediktor.
# Pemantauan Prediktor
**catatan**
Jika Anda mengaktifkan pemantauan prediktor, Amazon Forecast akan menyimpan data dari setiap perkiraan Anda untuk analisis kinerja prediktor, bahkan setelah menghapus data perkiraan. Untuk menghapus data ini, hapus sumber daya pemantauan.
Pemantauan prediktor memungkinkan Anda untuk melihat bagaimana kinerja prediktor Anda berubah dari waktu ke waktu. Berbagai faktor dapat menyebabkan perubahan kinerja, seperti perkembangan ekonomi atau perubahan perilaku pelanggan Anda.
Misalnya, pertimbangkan skenario peramalan di mana target berada `sales` dan ada dua atribut terkait: `price` dan`color`. Pada bulan-bulan setelah membuat prediktor pertama Anda, warna-warna tertentu mungkin secara tak terduga menjadi lebih populer di kalangan pelanggan Anda. Ini mungkin meningkatkan penjualan untuk item dengan atribut ini. Data baru ini dapat memengaruhi kinerja prediktor Anda dan keakuratan perkiraan yang dihasilkannya.
Dengan pemantauan prediktor diaktifkan, Forecast menganalisis kinerja prediktor Anda saat Anda menghasilkan perkiraan dan mengimpor lebih banyak data. Forecast membandingkan data baru dengan perkiraan sebelumnya untuk mendeteksi perubahan kinerja. Anda dapat melihat grafik tentang perubahan metrik akurasi yang berbeda dari waktu ke waktu di konsol Forecast. Atau Anda bisa mendapatkan hasil pemantauan dengan [ListMonitorEvaluations](API_ListMonitorEvaluations.md) operasi.
Pemantauan prediktor dapat membantu memutuskan apakah sudah waktunya untuk melatih kembali prediktor Anda. Jika kinerja menurun, Anda mungkin ingin melatih kembali prediktor pada data yang lebih baru. Jika Anda memilih untuk melatih kembali prediktor Anda, prediktor baru akan menyertakan data pemantauan dari yang sebelumnya. Anda juga dapat menggunakan pemantauan prediktor untuk mengumpulkan data kontekstual tentang lingkungan produksi Anda, atau untuk melakukan perbandingan untuk eksperimen yang berbeda.
Pemantauan prediktor hanya tersedia untuk AutoPredictors. Anda dapat memutakhirkan prediktor lama yang ada ke. AutoPredictor Lihat [Memutakhirkan ke AutoPredictor](howitworks-predictor.md#upgrading-autopredictor).
**Topics**
+ [Alur Kerja Pemantauan Prediktor](#predictor-monitoring-workflow)
+ [Mengaktifkan Pemantauan Prediktor](enabling-predictor-monitoring.md)
+ [Melihat Hasil Pemantauan](predictor-monitoring-results.md)
+ [Pembatasan dan Praktik Terbaik](#predictor-monitoring-best-practices)
## Alur Kerja Pemantauan Prediktor
Untuk mendapatkan hasil pemantauan prediktor, Anda harus terlebih dahulu menggunakan prediktor Anda untuk menghasilkan perkiraan dan kemudian mengimpor lebih banyak data. Alur kerja pemantauan adalah sebagai berikut.
1. Aktifkan pemantauan prediktor untuk prediktor otomatis:
+ Buat prediktor baru dengan pemantauan diaktifkan. Lihat [Mengaktifkan Pemantauan Prediktor untuk Prediktor Baru](enabling-predictor-monitoring.md#enabling-predictor-monitoring-new).
+ Atau aktifkan pemantauan untuk prediktor yang ada. Lihat [Mengaktifkan Pemantauan Prediktor untuk Prediktor yang Ada](enabling-predictor-monitoring.md#enabling-predictor-monitoring-existing).
1. Gunakan prediktor untuk menghasilkan satu atau lebih prakiraan.
1. Impor lebih banyak data. Untuk informasi tentang mengimpor data ke Forecast, lihat[Mengimpor Dataset](howitworks-datasets-groups.md).
1. Lihat hasil pemantauan prediktor:
+ Anda dapat melihat hasil pada tab **Monitoring** untuk prediktor Anda.
+ Atau Anda bisa mendapatkan hasil pemantauan dengan [ListMonitorEvaluations](API_ListMonitorEvaluations.md) operasi.
Untuk informasi selengkapnya, lihat [Melihat Hasil Pemantauan](predictor-monitoring-results.md).
# Mengaktifkan Pemantauan Prediktor
Anda dapat mengaktifkan pemantauan prediktor saat membuat prediktor, atau Anda dapat mengaktifkannya untuk prediktor yang ada.
**catatan**
Pemantauan prediktor hanya tersedia untuk AutoPredictors. Anda dapat memutakhirkan prediktor lama yang ada ke. AutoPredictor Lihat [Memutakhirkan ke AutoPredictor](howitworks-predictor.md#upgrading-autopredictor).
**Topics**
+ [Mengaktifkan Pemantauan Prediktor untuk Prediktor Baru](#enabling-predictor-monitoring-new)
+ [Mengaktifkan Pemantauan Prediktor untuk Prediktor yang Ada](#enabling-predictor-monitoring-existing)
## Mengaktifkan Pemantauan Prediktor untuk Prediktor Baru
Anda dapat mengaktifkan pemantauan prediktor untuk prediktor baru dengan konsol,, AWS CLI AWS SDKs, dan operasi. [CreateAutoPredictor](API_CreateAutoPredictor.md)
------
#### [ Console ]
**Untuk mengaktifkan pemantauan Prediktor**
1. Masuk ke Konsol Manajemen AWS dan buka konsol Amazon Forecast di [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Dari grup **Dataset, pilih grup kumpulan** data Anda.
1. Di panel navigasi, pilih **Prediktor**.
1. Pilih **Latih prediktor baru**.
1. Di bagian **konfigurasi Prediktor**, pilih **Aktifkan pemantauan**.
1. Berikan nilai untuk bidang wajib berikut:
+ **Nama - nama** prediktor yang unik.
+ **Frekuensi Forecast** - perincian perkiraan Anda.
+ **Forecast horizon** - Jumlah langkah waktu untuk memperkirakan.
1. Pilih **Mulai** untuk membuat prediktor otomatis dengan pemantauan diaktifkan. Anda akan melihat hasil pemantauan saat Anda menggunakan prediktor untuk menghasilkan perkiraan dan kemudian mengimpor lebih banyak data.
------
#### [ Python ]
Untuk mengaktifkan pemantauan prediktor untuk prediktor baru dengan SDK for Python (Boto3), gunakan metode dan berikan nama monitor di file. `create_auto_predictor` `MonitoringConfig`
Kode berikut membuat prediktor otomatis yang membuat prediksi untuk 24 (`ForecastHorizon`) days (`ForecastFrequency`) di masa depan, dan menentukan sebagai`MyPredictorMonitor`. `MonitorName` Setelah Anda membuat perkiraan dan kemudian mengimpor lebih banyak data, Anda dapat melihat hasil pemantauan prediktor. Untuk informasi selengkapnya tentang mengambil hasil, lihat[Melihat Hasil Pemantauan](predictor-monitoring-results.md).
Untuk informasi tentang parameter wajib dan opsional untuk membuat prediktor, lihat[CreateAutoPredictor](API_CreateAutoPredictor.md).
```
import boto3
forecast = boto3.client('forecast')
create_predictor_response = forecast.create_auto_predictor(
PredictorName = 'predictor_name',
ForecastHorizon = 24,
ForecastFrequency = 'D',
DataConfig = {
"DatasetGroupArn": "arn:aws:forecast:region:account:dataset-group/datasetGroupName"
},
MonitorConifg = {
"MonitorName": "MyMonitorName"
}
)
```
------
## Mengaktifkan Pemantauan Prediktor untuk Prediktor yang Ada
Anda dapat mengaktifkan pemantauan prediktor untuk prediktor yang ada dengan konsol, AWS CLI, dan. AWS SDKs
------
#### [ Console ]
**Untuk mengaktifkan pemantauan prediktor**
1. Masuk ke Konsol Manajemen AWS dan buka konsol Amazon Forecast di [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Dari grup **Dataset, pilih grup kumpulan** data Anda.
1. Di panel navigasi, pilih **Prediktor**.
1. Pilih prediktor Anda.
1. Arahkan ke tab **Monitoring**.
1. Di bagian **Detail pemantauan**, pilih **Mulai pemantauan**
Saat **status Pemantauan** Aktif, pemantauan prediktor diaktifkan. Setelah Anda membuat perkiraan dan kemudian mengimpor lebih banyak data, Anda dapat melihat hasil pemantauan prediktor. Untuk informasi lebih lanjut lihat [Melihat Hasil Pemantauan](predictor-monitoring-results.md)
------
#### [ Python ]
Untuk mengaktifkan pemantauan prediktor untuk prediktor yang ada dengan SDK for Python (Boto3), gunakan metode ini. `create_monitor` Tentukan nama untuk pemantauan, dan untuk `ResourceArn` tentukan Nama Sumber Daya Amazon (ARN) agar prediktor dapat dipantau. Gunakan `describe_monitor` metode ini dan berikan monitor ARN untuk mendapatkan status monitor. Setelah Anda membuat perkiraan dan kemudian mengimpor lebih banyak data, Anda dapat melihat hasil pemantauan prediktor. Untuk mengetahui informasi selengkapnya, lihat [Melihat Hasil Pemantauan](predictor-monitoring-results.md).
Untuk informasi tentang parameter wajib dan opsional, lihat [CreateMonitor](API_CreateMonitor.md) dan[DescribeMonitor](API_DescribeMonitor.md).
```
import boto3
forecast = boto3.client('forecast')
create_monitor_response = forecast.create_monitor(
MonitorName = 'monitor_name',
ResourceArn = 'arn:aws:forecast:region:accountNumber:predictor/predictorName'
)
monitor_arn = create_monitor_response['MonitorArn']
describe_monitor_response = forecast.describe_monitor(
MonitorArn = monitor_arn
)
print("Monitor status: " + describe_monitor_response['Status'])
```
------
# Melihat Hasil Pemantauan
Setelah Anda membuat perkiraan dan kemudian mengimpor lebih banyak data, Anda dapat melihat hasil pemantauan prediktor. Anda dapat melihat visualisasi hasil dengan konsol Forecast atau Anda dapat mengambil hasil secara terprogram dengan operasi. [ListMonitorEvaluations](API_ListMonitorEvaluations.md)
Konsol Forecast menampilkan grafik hasil untuk setiap metrik [prediktor](metrics.md). Grafik mencakup bagaimana setiap metrik telah berubah selama masa prediktor dan peristiwa prediktor Anda, seperti pelatihan ulang.
[ListMonitorEvaluations](API_ListMonitorEvaluations.md)Operasi mengembalikan hasil metrik dan peristiwa prediktor untuk jendela waktu yang berbeda.
------
#### [ Console ]
**Untuk melihat hasil pemantauan prediktor**
1. Masuk ke Konsol Manajemen AWS dan buka konsol Amazon Forecast di [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Dari grup **Dataset, pilih grup kumpulan** data Anda.
1. Di panel navigasi, pilih **Prediktor**.
1. Pilih prediktor dan pilih tab **Monitoring**.
+ Bagian **Hasil pemantauan** menunjukkan bagaimana metrik akurasi yang berbeda telah berubah dari waktu ke waktu. Gunakan daftar dropdown untuk mengubah metrik mana yang dilacak grafik.
+ Bagian **Riwayat pemantauan** mencantumkan detail untuk berbagai peristiwa yang dilacak dalam hasil.
Berikut ini adalah contoh grafik bagaimana `Avg wQL` skor untuk prediktor telah berubah dari waktu ke waktu. Dalam grafik ini, perhatikan bahwa `Avg wQL` nilainya meningkat seiring waktu. Peningkatan ini menunjukkan bahwa akurasi prediktor menurun. Gunakan informasi ini untuk menentukan apakah Anda perlu memvalidasi ulang model dan mengambil tindakan.
![\[Graph showing increasing Avg wQL score over time, indicating decreasing predictor accuracy.\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/predictor-drift.png)
------
#### [ SDK for Python (Boto3) ]
Untuk mendapatkan hasil pemantauan dengan SDK for Python (Boto3), gunakan metode ini. `list_monitor_evaluations` Berikan Nama Sumber Daya Amazon (ARN) monitor, dan secara opsional tentukan jumlah hasil maksimum yang akan diambil dengan parameter. `MaxResults` Secara opsional menentukan untuk `Filter` memfilter hasil. Anda dapat memfilter evaluasi dengan salah `EvaluationState` satu `SUCCESS` atau`FAILURE`. Kode berikut mendapatkan maksimal 20 evaluasi pemantauan yang berhasil.
```
import boto3
forecast = boto3.client('forecast')
monitor_results = forecast.list_monitor_evaluations(
MonitorArn = 'monitor_arn',
MaxResults = 20,
Filters = [
{
"Condition": "IS",
"Key": "EvaluationState",
"Value": "SUCCESS"
}
]
)
print(monitor_results)
```
Berikut ini adalah contoh respons JSON.
```
{
"NextToken": "string",
"PredictorMonitorEvaluations": [
{
"MonitorArn": "MonitorARN",
"ResourceArn": "PredictorARN",
"EvaluationTime": "2020-01-02T00:00:00Z",
"EvaluationState": "SUCCESS",
"WindowStartDatetime": "2019-01-01T00:00:00Z",
"WindowEndDatetime": "2019-01-03T00:00:00Z",
"PredictorEvent": {
"Detail": "Retrain",
"Datetime": "2020-01-01T00:00:00Z"
},
"MonitorDataSource": {
"DatasetImportJobArn": "arn:aws:forecast:region:accountNumber:dataset-import-job/*",
"ForecastArn": "arn:aws:forecast:region:accountNumber:forecast/*",
"PredictorArn": "arn:aws:forecast:region:accountNumber:predictor/*",
},
"MetricResults": [
{
"MetricName": "AverageWeightedQuantileLoss",
"MetricValue": 0.17009070456599376
},
{
"MetricName": "MAPE",
"MetricValue": 0.250711322309796
},
{
"MetricName": "MASE",
"MetricValue": 1.6275608734888485
},
{
"MetricName": "RMSE",
"MetricValue": 3100.7125081405547
},
{
"MetricName": "WAPE",
"MetricValue": 0.17101159704738722}
]
}
]
}
```
------
## Pembatasan dan Praktik Terbaik
Pertimbangkan batasan dan praktik terbaik berikut saat bekerja dengan pemantauan prediktor.
+ **Pemantauan prediktor hanya tersedia untuk prediktor otomatis** - Anda tidak dapat mengaktifkan pemantauan untuk prediktor lama yang dibuat dengan AutoML atau melalui pemilihan manual. Lihat [Memutakhirkan ke AutoPredictor](howitworks-predictor.md#upgrading-autopredictor).
+ **Pemantauan prediktor unik per prediktor otomatis** - Anda hanya dapat membuat satu monitor per prediktor otomatis.
+ **Pemantauan prediktor membutuhkan data baru dan menghasilkan perkiraan** — Saat Anda mengimpor data baru yang digunakan untuk menghasilkan perkiraan baru, hasil pemantauan prediktor menjadi tersedia. Jika Anda tidak mengimpor data baru atau data yang baru diimpor tidak mencakup cakrawala perkiraan penuh, Anda tidak akan melihat hasil pemantauan.
+ **Pemantauan prediktor membutuhkan prakiraan baru** — Anda harus terus menghasilkan prakiraan baru untuk menghasilkan hasil pemantauan. Jika Anda tidak menghasilkan perkiraan baru, Anda tidak akan melihat hasil pemantauan.
+ **Amazon Forecast akan menyimpan data dari setiap perkiraan Anda untuk analisis kinerja prediktor** — Forecast menyimpan data ini bahkan jika Anda menghapus perkiraan. Untuk menghapus data ini, hapus monitor terkait.
+ [StopResource](API_StopResource.md)Operasi akan menghentikan semua evaluasi saat ini dan semua evaluasi masa depan.
+ Metrik AvgWQL hanya tersedia ketika Anda membuat perkiraan untuk kuantil selain rata-rata.
+ Evaluasi monitor yang sedang berlangsung tidak ditampilkan dalam operasi. [ListMonitorEvaluations](API_ListMonitorEvaluations.md)
# Algoritma Amazon Forecast
Prediktor Amazon Forecast menggunakan algoritme untuk melatih model dengan kumpulan data deret waktu Anda. Model terlatih kemudian digunakan untuk menghasilkan metrik dan prediksi.
Jika Anda tidak yakin algoritma mana yang akan digunakan untuk melatih model Anda, pilih AutoML saat membuat prediktor dan biarkan Forecast melatih model optimal untuk kumpulan data Anda. Jika tidak, Anda dapat memilih salah satu algoritma Amazon Forecast secara manual.
**Notebook Python**
Untuk step-by-step panduan tentang menggunakan AutoML, lihat [Memulai dengan AutoML](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Getting_started_with_AutoML/Getting_started_with_AutoML.ipynb).
## Algoritma Forecast Built-in
Amazon Forecast menyediakan enam algoritma bawaan untuk Anda pilih. Ini berkisar dari algoritma statistik yang umum digunakan seperti Autoregressive Integrated Moving Average (ARIMA), hingga algoritma jaringan saraf yang kompleks seperti CNN-QR dan DeepAR\$1.
### [CNN-QR](aws-forecast-algo-cnnqr.md)
`arn:aws:forecast:::algorithm/CNN-QR`
Amazon Forecast CNN-QR, Convolutional Neural Network - Quantile Regression, adalah algoritma pembelajaran mesin eksklusif untuk meramalkan deret waktu menggunakan jaringan saraf konvolusional kausal (). CNNs CNN-QR bekerja paling baik dengan kumpulan data besar yang berisi ratusan deret waktu. Ini menerima metadata item, dan merupakan satu-satunya algoritma Forecast yang menerima data deret waktu terkait tanpa nilai future.
### [DeepAR\$1](aws-forecast-recipe-deeparplus.md)
`arn:aws:forecast:::algorithm/Deep_AR_Plus`
Amazon Forecast DeepAR\$1 adalah algoritma pembelajaran mesin eksklusif untuk memperkirakan deret waktu menggunakan jaringan saraf berulang (). RNNs DeepAR\$1bekerja paling baik dengan kumpulan data besar yang berisi ratusan rangkaian waktu fitur. Algoritma menerima deret waktu dan metadata item terkait berwawasan ke depan.
### [Nabi](aws-forecast-recipe-prophet.md)
`arn:aws:forecast:::algorithm/Prophet`
Nabi adalah algoritma peramalan deret waktu berdasarkan model aditif di mana tren non-linier sesuai dengan musim tahunan, mingguan, dan harian. Ini bekerja paling baik dengan deret waktu dengan efek musiman yang kuat dan beberapa musim data historis.
### [NPT](aws-forecast-recipe-npts.md)
`arn:aws:forecast:::algorithm/NPTS`
Algoritma kepemilikan Amazon Forecast Non-Parametric Time Series (NPTS) adalah peramal dasar probabilistik yang dapat diskalakan. NPTS sangat berguna saat bekerja dengan deret waktu yang jarang atau intermiten. Forecast menyediakan empat varian algoritma: Standard NPTS, Seasonal NPTS, Climatological Forecaster, dan Seasonal Climatological Forecaster.
### [ARIMA](aws-forecast-recipe-arima.md)
`arn:aws:forecast:::algorithm/ARIMA`
Autoregressive Integrated Moving Average (ARIMA) adalah algoritma statistik yang umum digunakan untuk peramalan deret waktu. Algoritma ini sangat berguna untuk kumpulan data sederhana dengan deret waktu di bawah 100.
### [ETS](aws-forecast-recipe-ets.md)
`arn:aws:forecast:::algorithm/ETS`
Exponential Smoothing (ETS) adalah algoritma statistik yang umum digunakan untuk peramalan deret waktu. Algoritma ini sangat berguna untuk kumpulan data sederhana dengan deret waktu di bawah 100, dan kumpulan data dengan pola musiman. ETS menghitung rata-rata tertimbang atas semua pengamatan dalam kumpulan data deret waktu sebagai prediksinya, dengan bobot yang menurun secara eksponensial dari waktu ke waktu.
## Membandingkan Algoritma Forecast
Gunakan tabel berikut untuk menemukan opsi terbaik untuk kumpulan data deret waktu Anda.
| | Jaringan Saraf | Algoritma Lokal Fleksibel | Algoritma Dasar | | CNN-QR | DeepAR\$1 | Nabi | NPTS | ARIMA | ETS |
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |
| Proses pelatihan intensif komputasi | Tinggi | Tinggi | Sedang | Rendah | Rendah | Rendah |
| Menerima seri waktu terkait sejarah\$1 | ![\[Yes\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) |
| Menerima seri waktu terkait berwawasan ke depan\$1 | ![\[Yes\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) |
| Menerima metadata item (warna produk, merek, dll) | ![\[Yes\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) |
| Menerima fitur bawaan Indeks Cuaca | ![\[Yes\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) |
| Cocokkan untuk kumpulan data yang jarang | ![\[Yes\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) | ![\[Yes\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) |
| Melakukan Optimasi Hyperparameter (HPO) | ![\[Yes\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) |
| Memungkinkan penggantian nilai hyperparameter default | ![\[Yes\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) | ![\[Yes\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/icon-no.png) |
\$1Untuk informasi lebih lanjut tentang deret waktu terkait, lihat [Deret Waktu Terkait](related-time-series-datasets.md).
# Algoritma Rata-Rata Bergerak Terintegrasi Autoregresif (ARIMA)
Autoregressive Integrated Moving Average ([ARIMA](https://en.wikipedia.org/wiki/Autoregressive_integrated_moving_average)) adalah algoritma statistik lokal yang umum digunakan untuk peramalan deret waktu. ARIMA menangkap struktur temporal standar (organisasi waktu berpola) dalam kumpulan data input. Algoritma Amazon Forecast ARIMA menyebut [fungsi Arima di Comprehensive](https://cran.r-project.org/web/packages/forecast/forecast.pdf#Rfn.Arima.1) `Package 'forecast'` R Archive Network (CRAN).
## Bagaimana ARIMA Bekerja
Algoritma ARIMA sangat berguna untuk kumpulan data yang dapat dipetakan ke deret waktu stasioner. Sifat statistik deret waktu stasioner, seperti autokorelasi, tidak bergantung pada waktu. Dataset dengan deret waktu stasioner biasanya berisi kombinasi sinyal dan noise. Sinyal dapat menunjukkan pola osilasi sinusoidal atau memiliki komponen musiman. ARIMA bertindak seperti filter untuk memisahkan sinyal dari noise, dan kemudian mengekstrapolasi sinyal di masa depan untuk membuat prediksi.
## ARIMA Hyperparameters dan Tuning
[Untuk informasi tentang hiperparameter dan penyetelan ARIMA, lihat dokumentasi `Arima` fungsi di [Package 'forecast'](https://cran.r-project.org/web/packages/forecast/forecast.pdf) dari CRAN.](https://cran.r-project.org)
Amazon Forecast mengonversi `DataFrequency` parameter yang ditentukan dalam [CreateDataset](API_CreateDataset.md) operasi ke `frequency` parameter fungsi R [ts](https://www.rdocumentation.org/packages/stats/versions/3.6.1/topics/ts) menggunakan tabel berikut:
| DataFrequency (tali) | Frekuensi R ts (bilangan bulat) |
| --- | --- |
| Y | 1 |
| M | 12 |
| W | 52 |
| D | 7 |
| H | 24 |
| 30 menit | 2 |
| 15 menit | 4 |
| 10 menit | 6 |
| 5 menit | 12 |
| 1 menit | 60 |
[Untuk frekuensi kurang dari 24 atau deret waktu pendek, hiperparameter diatur menggunakan `auto.arima` fungsi `Package 'forecast'` CRAN.](https://cran.r-project.org) Untuk frekuensi yang lebih besar dari atau sama dengan 24 dan deret waktu yang panjang, kami menggunakan deret Fourier dengan K = 4, seperti yang dijelaskan di sini, [Peramalan dengan](https://robjhyndman.com/hyndsight/longseasonality/) periode musiman yang panjang.
Frekuensi data yang didukung yang tidak ada dalam tabel default ke `ts` frekuensi 1.
# Algoritma CNN-QR
Amazon Forecast CNN-QR, Convolutional Neural Network - Quantile Regression, adalah algoritma pembelajaran mesin eksklusif untuk meramalkan deret waktu skalar (satu dimensi) menggunakan jaringan saraf konvolusional kausal (). CNNs Algoritma pembelajaran yang diawasi ini melatih satu model global dari kumpulan besar deret waktu dan menggunakan dekoder kuantil untuk membuat prediksi probabilistik.
**Topics**
+ [Memulai dengan CNN-QR](#aws-forecast-algo-cnnqr-getting-started)
+ [Bagaimana CNN-QR Bekerja](#aws-forecast-algo-cnnqr-how-it-works)
+ [Menggunakan Data Terkait dengan CNN-QR](#aws-forecast-algo-cnnqr-using-rts)
+ [Hiperparameter CNN-QR](#aws-forecast-algo-cnnqr-hyperparameters)
+ [Kiat dan Praktik Terbaik](#aws-forecast-algo-cnnqr-tips)
## Memulai dengan CNN-QR
Anda dapat melatih prediktor dengan CNN-QR dengan dua cara:
1. Memilih algoritma CNN-QR secara manual.
1. Memilih AutoML (CNN-QR adalah bagian dari AutoML).
Jika Anda tidak yakin algoritma mana yang akan digunakan, sebaiknya pilih AutoML, dan Forecast akan memilih CNN-QR jika itu adalah algoritma yang paling akurat untuk data Anda. Untuk melihat apakah CNN-QR dipilih sebagai model yang paling akurat, gunakan [DescribePredictor](https://docs.aws.amazon.com/forecast/latest/dg/API_DescribePredictor.html)API atau pilih nama prediktor di konsol.
Berikut adalah beberapa kasus penggunaan utama untuk CNN-QR:
+ **Forecast dengan dataset besar dan kompleks - CNN-QR bekerja paling baik bila dilatih dengan dataset** yang besar dan kompleks. Jaringan saraf dapat belajar di banyak kumpulan data, yang berguna ketika Anda memiliki deret waktu dan metadata item terkait.
+ **Forecast with history related time series** - CNN-QR tidak memerlukan deret waktu terkait untuk memuat titik data dalam cakrawala perkiraan. Fleksibilitas tambahan ini memungkinkan Anda untuk memasukkan rentang yang lebih luas dari rangkaian waktu terkait dan data meta item, seperti harga barang, acara, metrik web, dan kategori produk.
## Bagaimana CNN-QR Bekerja
CNN-QR adalah model sequence-to-sequence (Seq2Seq) untuk peramalan probabilistik yang menguji seberapa baik prediksi merekonstruksi urutan decoding, dikondisikan pada urutan pengkodean.
Algoritma ini memungkinkan fitur yang berbeda dalam pengkodean dan urutan decoding, sehingga Anda dapat menggunakan deret waktu terkait dalam encoder, dan menghilangkannya dari decoder (dan sebaliknya). Secara default, deret waktu terkait dengan titik data di cakrawala perkiraan akan dimasukkan dalam encoder dan decoder. Deret waktu terkait tanpa titik data di cakrawala perkiraan hanya akan dimasukkan dalam encoder.
CNN-QR melakukan regresi kuantil dengan CNN kausal hierarkis yang berfungsi sebagai ekstraktor fitur yang dapat dipelajari.
Untuk memfasilitasi pembelajaran pola yang bergantung pada waktu, seperti lonjakan selama akhir pekan, CNN-QR secara otomatis membuat deret waktu fitur berdasarkan perincian deret waktu. Misalnya, CNN-QR membuat dua seri waktu fitur (day-of-month dan day-of-year) pada frekuensi deret waktu mingguan. Algoritma menggunakan deret waktu fitur turunan ini bersama dengan deret waktu fitur khusus yang disediakan selama pelatihan dan inferensi. Contoh berikut menunjukkan deret waktu target,`zi,t`, dan dua fitur deret waktu turunan: `ui,1,t` mewakili jam dalam sehari, dan `ui,2,t` mewakili hari dalam seminggu.
![\[\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/cnnqr-time-frequencies.PNG)
CNN-QR secara otomatis menyertakan rangkaian waktu fitur ini berdasarkan frekuensi data dan ukuran data pelatihan. Tabel berikut mencantumkan fitur yang dapat diturunkan untuk setiap frekuensi waktu dasar yang didukung.
****
| Frekuensi Deret Waktu | Fitur Berasal |
| --- | --- |
| Menit | minute-of-hour, hour-of-day, day-of-week, day-of-month, day-of-year |
| Jam | hour-of-day, day-of-week, day-of-month, day-of-year |
| Hari | day-of-week, day-of-month, day-of-year |
| Minggu | week-of-month, week-of-year |
| Bulan | month-of-year |
Selama pelatihan, setiap deret waktu dalam kumpulan data pelatihan terdiri dari sepasang konteks yang berdekatan dan jendela perkiraan dengan panjang yang telah ditentukan sebelumnya. Ini ditunjukkan pada gambar di bawah ini, di mana jendela konteks diwakili dalam warna hijau, dan jendela perkiraan diwakili dengan warna biru.
Anda dapat menggunakan model yang dilatih pada set pelatihan yang diberikan untuk menghasilkan prediksi untuk deret waktu dalam set pelatihan, dan untuk deret waktu lainnya. Dataset pelatihan terdiri dari deret waktu target, yang mungkin terkait dengan daftar deret waktu terkait dan metadata item.
Gambar di bawah ini menunjukkan cara kerjanya untuk elemen kumpulan data pelatihan yang diindeks oleh. `i` Dataset pelatihan terdiri dari deret waktu target,`zi,t`, dan dua deret waktu terkait terkait, `xi,1,t` dan`xi,2,t`. Deret waktu terkait pertama,`xi,1,t`, adalah deret waktu berwawasan ke depan, dan yang kedua`xi,2,t`, adalah deret waktu historis.
![\[\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/cnnqr-short-long-rts.png)
CNN-QR belajar di seluruh deret waktu target,`zi,t`, dan deret waktu terkait, `xi,1,t` dan`xi,2,t`, untuk menghasilkan prediksi di jendela perkiraan, diwakili oleh garis oranye.
## Menggunakan Data Terkait dengan CNN-QR
CNNQR mendukung kumpulan data deret waktu terkait historis dan ke depan. Jika Anda memberikan kumpulan data deret waktu terkait yang berwawasan ke depan, nilai yang hilang akan diisi menggunakan [metode pengisian future](howitworks-missing-values.md). Untuk informasi lebih lanjut tentang deret waktu terkait historis dan berwawasan ke depan, lihat [Menggunakan Kumpulan Data Deret Waktu Terkait](related-time-series-datasets.md).
Anda juga dapat menggunakan kumpulan data metadata item dengan CNN-QR. Ini adalah kumpulan data dengan informasi statis pada item dalam deret waktu target Anda. Metadata item sangat berguna untuk skenario peramalan coldstart di mana hanya ada sedikit atau tidak ada data historis. Untuk informasi selengkapnya tentang metadata item, lihat Metadata [Item](item-metadata-datasets.md).
## Hiperparameter CNN-QR
Amazon Forecast mengoptimalkan model CNN-QR pada hiperparameter yang dipilih. Saat memilih CNN-QR secara manual, Anda memiliki opsi untuk meneruskan parameter pelatihan untuk hiperparameter ini. Tabel berikut mencantumkan hyperparameters yang dapat disetel dari algoritma CNN-QR.
| Nama Parameter | Nilai | Deskripsi |
| --- | --- | --- |
| context\$1length | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/aws-forecast-algo-cnnqr.html) | Jumlah titik waktu yang dibaca model sebelum membuat prediksi. Biasanya, CNN-QR memiliki nilai yang lebih besar `context_length` daripada DeepAR\$1 karena CNN-QR tidak menggunakan kelambatan untuk melihat data historis lebih lanjut. Jika nilai untuk `context_length` berada di luar rentang yang telah ditentukan, CNN-QR akan secara otomatis mengatur default `context_length` ke nilai yang sesuai. |
| use\$1related\$1data | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/aws-forecast-algo-cnnqr.html) | Menentukan jenis data deret waktu terkait yang akan dimasukkan dalam model. Pilih salah satu dari empat opsi: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/aws-forecast-algo-cnnqr.html) `HISTORICAL`mencakup semua deret waktu terkait sejarah, dan `FORWARD_LOOKING` mencakup semua deret waktu terkait berwawasan ke depan. Anda tidak dapat memilih subset `HISTORICAL` atau deret waktu `FORWARD_LOOKING` terkait. |
| use\$1item\$1metadata | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/aws-forecast-algo-cnnqr.html) | Menentukan apakah model menyertakan metadata item. Pilih salah satu dari dua opsi: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/aws-forecast-algo-cnnqr.html) `use_item_metadata`mencakup semua metadata item yang disediakan atau tidak sama sekali. Anda tidak dapat memilih subset dari metadata item. |
| epochs | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/aws-forecast-algo-cnnqr.html) | Jumlah maksimum lintasan lengkap melalui data pelatihan. Kumpulan data yang lebih kecil membutuhkan lebih banyak zaman. Untuk nilai besar `ForecastHorizon` dan`context_length`, pertimbangkan penurunan zaman untuk meningkatkan waktu pelatihan. |
### Optimasi Hyperparameter (HPO)
Optimasi Hyperparameter (HPO) adalah tugas memilih nilai hyperparameter optimal untuk tujuan pembelajaran tertentu. Dengan Forecast, Anda dapat mengotomatiskan proses ini dengan dua cara:
1. Memilih AutoML, dan HPO akan secara otomatis berjalan untuk CNN-QR.
1. Memilih CNN-QR dan pengaturan secara manual. `PerformHPO = TRUE`
Deret waktu terkait tambahan dan metadata item tidak selalu meningkatkan akurasi model CNN-QR Anda. Saat Anda menjalankan AutoML atau mengaktifkan HPO, CNN-QR menguji keakuratan model Anda dengan dan tanpa deret waktu dan metadata item terkait yang disediakan, dan memilih model dengan akurasi tertinggi.
Amazon Forecast secara otomatis mengoptimalkan tiga hiperparameter berikut selama HPO dan memberi Anda nilai terlatih akhir:
+ **context\$1length** - menentukan seberapa jauh ke masa lalu jaringan dapat melihat. Proses HPO secara otomatis menetapkan nilai untuk `context_length` yang memaksimalkan akurasi model, sambil memperhitungkan waktu pelatihan.
+ **use\$1related\$1data - menentukan bentuk data** deret waktu terkait yang akan disertakan dalam model Anda. Proses HPO secara otomatis memeriksa apakah data deret waktu terkait Anda meningkatkan model, dan memilih pengaturan optimal.
+ **use\$1item\$1metadata - menentukan apakah akan menyertakan metadata** item dalam model Anda. Proses HPO secara otomatis memeriksa apakah metadata item Anda meningkatkan model, dan memilih pengaturan yang optimal.
**catatan**
Jika `use_related_data` disetel ke `NONE` atau `HISTORICAL` saat fitur `Holiday` tambahan dipilih, ini berarti bahwa menyertakan data liburan tidak meningkatkan akurasi model.
Anda dapat mengatur konfigurasi HPO untuk `context_length` hyperparameter jika Anda mengatur `PerformHPO = TRUE` selama pemilihan manual. Namun, Anda tidak dapat mengubah aspek konfigurasi HPO apa pun jika Anda memilih AutoML. Untuk informasi selengkapnya tentang konfigurasi HPO, lihat [IntergerParameterRange](https://docs.aws.amazon.com/forecast/latest/dg/API_IntegerParameterRange.html)API.
## Kiat dan Praktik Terbaik
**Hindari nilai besar untuk ForecastHorizon** - Menggunakan nilai lebih dari 100 untuk `ForecastHorizon` akan meningkatkan waktu pelatihan dan dapat mengurangi akurasi model. Jika Anda ingin meramalkan lebih jauh ke masa depan, pertimbangkan untuk menggabungkan ke frekuensi yang lebih tinggi. Misalnya, gunakan `5min` sebagai ganti dari `1min`.
**CNNs memungkinkan untuk panjang konteks yang lebih tinggi** - Dengan CNN-QR, Anda dapat mengatur `context_length` sedikit lebih tinggi dari itu untuk DeepAR\$1, karena CNNs umumnya lebih efisien daripada. RNNs
**Rekayasa fitur data terkait** - Eksperimen dengan kombinasi yang berbeda dari deret waktu terkait dan metadata item saat melatih model Anda, dan menilai apakah informasi tambahan meningkatkan akurasi. Kombinasi dan transformasi yang berbeda dari deret waktu terkait dan metadata item akan memberikan hasil yang berbeda.
**CNN-QR tidak memperkirakan pada kuantil rata-rata** — Saat Anda menyetel `ForecastTypes` `mean` dengan [ CreateForecast](https://docs.aws.amazon.com/forecast/latest/dg/API_CreateForecast.html)API, perkiraan akan dihasilkan pada kuantil median (atau). `0.5` `P50`
# Algoritma DeepAR\$1
Amazon Forecast DeepAR\$1 adalah algoritma pembelajaran yang diawasi untuk meramalkan deret waktu skalar (satu dimensi) menggunakan jaringan saraf berulang (). RNNs Metode peramalan klasik, seperti autoregressive integrated moving average (ARIMA) atau exponential smoothing (ETS), menyesuaikan model tunggal untuk setiap deret waktu individu, dan kemudian menggunakan model itu untuk mengekstrapolasi deret waktu ke masa depan. Namun, dalam banyak aplikasi, Anda memiliki banyak deret waktu serupa di satu set unit penampang. Pengelompokan deret waktu ini menuntut berbagai produk, beban server, dan permintaan untuk halaman web. Dalam hal ini, akan bermanfaat untuk melatih satu model bersama-sama di semua deret waktu. DeepAR\$1 mengambil pendekatan ini. Ketika kumpulan data Anda berisi ratusan deret waktu fitur, algoritme DeepAR\$1 mengungguli metode ARIMA dan ETS standar. Anda juga dapat menggunakan model terlatih untuk menghasilkan perkiraan untuk deret waktu baru yang mirip dengan yang telah dilatih.
**Notebook Python**
Untuk step-by-step panduan tentang penggunaan algoritma DeepAR\$1, lihat [Memulai dengan](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Getting_started_with_DeepAR%2B/Getting_started_with_DeepAR%2B.ipynb) DeepAR\$1.
**Topics**
+ [Bagaimana DeepAR\$1 Bekerja](#aws-forecast-recipe-deeparplus-how-it-works)
+ [DeepAR\$1Hyperparameter](#aws-forecast-recipe-deeparplus-hyperparameters)
+ [Model Tune DeepAR\$1](#aws-forecast-recipe-deeparplus-tune-model)
## Bagaimana DeepAR\$1 Bekerja
Selama pelatihan, DeepAR\$1 menggunakan kumpulan data pelatihan dan kumpulan data pengujian opsional. Ini menggunakan dataset pengujian untuk mengevaluasi model terlatih. Secara umum, kumpulan data pelatihan dan pengujian tidak harus berisi rangkaian deret waktu yang sama. Anda dapat menggunakan model yang dilatih pada set pelatihan tertentu untuk menghasilkan perkiraan untuk masa depan deret waktu dalam set pelatihan, dan untuk deret waktu lainnya. Baik pelatihan dan kumpulan data pengujian terdiri dari (lebih disukai lebih dari satu) deret waktu target. *Secara opsional, mereka dapat dikaitkan dengan vektor deret waktu fitur dan vektor fitur kategoris (untuk detailnya, lihat [ Input/Output Antarmuka DeepAR di Panduan Pengembang](https://docs.aws.amazon.com/sagemaker/latest/dg/deepar.html#deepar-inputoutput) SageMaker AI).* Contoh berikut menunjukkan cara kerjanya untuk elemen kumpulan data pelatihan yang diindeks oleh. `i` Dataset pelatihan terdiri dari deret waktu target,`zi,t`, dan dua rangkaian waktu fitur terkait, `xi,1,t` dan`xi,2,t`.
![\[\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/forecast-recipe-deeparplus-ts-full-159.base.png)
Deret waktu target mungkin berisi nilai yang hilang (dilambangkan dalam grafik dengan jeda dalam deret waktu). DeepAR\$1hanya mendukung fitur time series yang dikenal di masa depan. Ini memungkinkan Anda untuk menjalankan skenario “bagaimana-jika” kontrafaktual. Misalnya, “Apa yang terjadi jika saya mengubah harga suatu produk dengan cara tertentu?”
Setiap deret waktu target juga dapat dikaitkan dengan sejumlah fitur kategoris. Anda dapat menggunakan ini untuk menyandikan bahwa deret waktu milik pengelompokan tertentu. Menggunakan fitur kategoris memungkinkan model untuk mempelajari perilaku khas untuk pengelompokan tersebut, yang dapat meningkatkan akurasi. Sebuah model mengimplementasikan ini dengan mempelajari vektor embedding untuk setiap grup yang menangkap properti umum dari semua deret waktu dalam grup.
Untuk memfasilitasi pembelajaran pola yang bergantung pada waktu, seperti lonjakan selama akhir pekan, DeepAR\$1 secara otomatis membuat deret waktu fitur berdasarkan perincian deret waktu. Misalnya, DeepAR\$1 membuat dua rangkaian waktu fitur (hari dalam sebulan dan hari dalam setahun) pada frekuensi deret waktu mingguan. Ini menggunakan deret waktu fitur turunan ini bersama dengan deret waktu fitur khusus yang Anda berikan selama pelatihan dan inferensi. Contoh berikut menunjukkan dua fitur deret waktu turunan: `ui,1,t` mewakili jam dalam sehari, dan `ui,2,t` hari dalam seminggu.
![\[\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/forecast-recipe-deeparplus-ts-full-159.derived.png)
DeepAR\$1 secara otomatis menyertakan rangkaian waktu fitur ini berdasarkan frekuensi data dan ukuran data pelatihan. Tabel berikut mencantumkan fitur yang dapat diturunkan untuk setiap frekuensi waktu dasar yang didukung.
****
| Frekuensi Deret Waktu | Fitur Berasal |
| --- | --- |
| Menit | minute-of-hour, hour-of-day, day-of-week, day-of-month, day-of-year |
| Jam | hour-of-day, day-of-week, day-of-month, day-of-year |
| Hari | day-of-week, day-of-month, day-of-year |
| Minggu | week-of-month, week-of-year |
| Bulan | month-of-year |
Model DeepAR\$1 dilatih dengan mengambil sampel secara acak beberapa contoh pelatihan dari masing-masing deret waktu dalam kumpulan data pelatihan. Setiap contoh pelatihan terdiri dari sepasang konteks dan jendela prediksi yang berdekatan dengan panjang yang telah ditentukan sebelumnya. `context_length`Hyperparameter mengontrol seberapa jauh di masa lalu jaringan dapat melihat, dan `ForecastHorizon` parameter mengontrol seberapa jauh prediksi masa depan dapat dibuat. Selama pelatihan, Amazon Forecast mengabaikan elemen dalam kumpulan data pelatihan dengan deret waktu lebih pendek dari panjang prediksi yang ditentukan. Contoh berikut menunjukkan lima sampel, dengan panjang konteks (disorot dengan warna hijau) 12 jam dan panjang prediksi (disorot dengan warna biru) 6 jam, diambil dari elemen`i`. Demi singkatnya, kami telah mengecualikan deret waktu fitur `xi,1,t` dan`ui,2,t`.
![\[\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/forecast-recipe-deeparplus-ts-full-159.sampled.png)
Untuk menangkap pola musiman, DeepAR\$1 juga secara otomatis memberi umpan nilai tertinggal (periode sebelumnya) dari deret waktu target. Dalam contoh kami dengan sampel yang diambil pada frekuensi per jam, untuk setiap indeks waktu`t = T`, model memperlihatkan `zi,t` nilai yang terjadi kira-kira satu, dua, dan tiga hari di masa lalu (disorot dalam warna merah muda).
![\[\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/images/forecast-recipe-deeparplus-ts-full-159.lags.png)
Untuk inferensi, model terlatih mengambil input deret waktu target, yang mungkin atau mungkin tidak digunakan selama pelatihan, dan memperkirakan distribusi probabilitas untuk `ForecastHorizon` nilai berikutnya. Karena DeepAR\$1 dilatih pada seluruh kumpulan data, perkiraan memperhitungkan pola yang dipelajari dari deret waktu yang serupa.
Untuk informasi tentang matematika di balik DeepAR \$1, lihat [DeepAR: Peramalan Probabilistik dengan Jaringan Berulang Autoregresif](https://arxiv.org/abs/1704.04110) di situs web Perpustakaan Universitas Cornell.
## DeepAR\$1Hyperparameter
Tabel berikut mencantumkan hyperparameters yang dapat Anda gunakan dalam algoritma DeepAR\$1. Parameter dalam huruf tebal berpartisipasi dalam optimasi hyperparameter (HPO).
| Nama Parameter | Deskripsi |
| --- | --- |
| context\$1length | Jumlah titik waktu yang dibaca model sebelum membuat prediksi. Nilai untuk parameter ini harus hampir sama dengan`ForecastHorizon`. Model ini juga menerima input tertinggal dari target, sehingga `context_length` bisa jauh lebih kecil daripada musim biasa. Misalnya, deret waktu harian dapat memiliki musim tahunan. Model secara otomatis menyertakan jeda satu tahun, sehingga panjang konteksnya bisa lebih pendek dari satu tahun. Nilai lag yang dipilih model bergantung pada frekuensi deret waktu. Misalnya, nilai lag untuk frekuensi harian adalah: minggu sebelumnya, 2 minggu, 3 minggu, 4 minggu, dan tahun. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| epochs | Jumlah lintasan maksimum untuk memeriksa data pelatihan. Nilai optimal tergantung pada ukuran data dan tingkat pembelajaran Anda. Kumpulan data yang lebih kecil dan tingkat pembelajaran yang lebih rendah keduanya membutuhkan lebih banyak zaman, untuk mencapai hasil yang baik. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| learning\$1rate | Tingkat pembelajaran yang digunakan dalam pelatihan. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| learning\$1rate\$1decay | Tingkat di mana tingkat pembelajaran menurun. Paling-paling, tingkat pembelajaran dikurangi `max_learning_rate_decays` waktu, kemudian pelatihan berhenti. Parameter ini hanya akan digunakan jika `max_learning_rate_decays` lebih besar dari 0. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| likelihood | Model menghasilkan perkiraan probabilistik, dan dapat memberikan kuantil distribusi dan sampel pengembalian. Bergantung pada data Anda, pilih kemungkinan yang sesuai (model kebisingan) yang digunakan untuk perkiraan ketidakpastian. Nilai valid [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| max\$1learning\$1rate\$1decays | Jumlah maksimum pengurangan tingkat pembelajaran yang harus terjadi. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| num\$1averaged\$1models | Di DeepAR\$1, lintasan pelatihan dapat menemukan beberapa model. Setiap model mungkin memiliki kekuatan dan kelemahan peramalan yang berbeda. DeepAR\$1dapat rata-rata perilaku model untuk mengambil keuntungan dari kekuatan semua model. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| num\$1cells | Jumlah sel yang digunakan di setiap lapisan tersembunyi RNN. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| num\$1layers | Jumlah lapisan tersembunyi di RNN. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
## Model Tune DeepAR\$1
Untuk menyetel model Amazon Forecast DeepAR\$1, ikuti rekomendasi berikut untuk mengoptimalkan proses pelatihan dan konfigurasi perangkat keras.
### Praktik Terbaik untuk Optimasi Proses
Untuk mencapai hasil terbaik, ikuti rekomendasi ini:
+ Kecuali saat membagi kumpulan data pelatihan dan pengujian, selalu sediakan seluruh deret waktu untuk pelatihan dan pengujian, dan saat memanggil model untuk inferensi. Terlepas dari bagaimana Anda mengatur`context_length`, jangan membagi deret waktu atau hanya menyediakan sebagian saja. Model akan menggunakan titik data lebih jauh ke belakang daripada `context_length` fitur nilai tertinggal.
+ Untuk penyetelan model, Anda dapat membagi kumpulan data menjadi kumpulan data pelatihan dan pengujian. Dalam skenario evaluasi yang khas, Anda harus menguji model pada deret waktu yang sama yang digunakan dalam pelatihan, tetapi pada titik `ForecastHorizon` waktu future segera setelah titik waktu terakhir terlihat selama pelatihan. Untuk membuat kumpulan data pelatihan dan pengujian yang memenuhi kriteria ini, gunakan seluruh kumpulan data (semua deret waktu) sebagai kumpulan data pengujian dan hapus `ForecastHorizon` poin terakhir dari setiap deret waktu untuk pelatihan. Dengan cara ini, selama pelatihan, model tidak melihat nilai target untuk titik waktu yang dievaluasi selama pengujian. Pada fase pengujian, `ForecastHorizon` poin terakhir dari setiap deret waktu dalam kumpulan data pengujian ditahan dan prediksi dihasilkan. Perkiraan kemudian dibandingkan dengan nilai aktual untuk `ForecastHorizon` poin terakhir. Anda dapat membuat evaluasi yang lebih kompleks dengan mengulangi deret waktu beberapa kali dalam kumpulan data pengujian, tetapi memotongnya pada titik akhir yang berbeda. Ini menghasilkan metrik akurasi yang dirata-ratakan pada beberapa perkiraan dari titik waktu yang berbeda.
+ Hindari menggunakan nilai yang sangat besar (> 400) `ForecastHorizon` karena ini memperlambat model dan membuatnya kurang akurat. Jika Anda ingin meramalkan lebih jauh ke masa depan, pertimbangkan untuk menggabungkan ke frekuensi yang lebih tinggi. Misalnya, gunakan `5min` sebagai ganti dari `1min`.
+ Karena kelambatan, model dapat melihat lebih jauh ke belakang daripada`context_length`. Oleh karena itu, Anda tidak perlu mengatur parameter ini ke nilai yang besar. Titik awal yang baik untuk parameter ini adalah nilai yang sama dengan`ForecastHorizon`.
+ Latih model DeepAR\$1 dengan deret waktu sebanyak yang tersedia. Meskipun model DeepAR\$1 yang dilatih pada satu deret waktu mungkin sudah bekerja dengan baik, metode peramalan standar seperti ARIMA atau ETS mungkin lebih akurat dan lebih disesuaikan dengan kasus penggunaan ini. DeepAR\$1 mulai mengungguli metode standar ketika kumpulan data Anda berisi ratusan deret waktu fitur. Saat ini, DeepAR\$1 mensyaratkan bahwa jumlah total pengamatan yang tersedia, di semua deret waktu pelatihan, setidaknya 300.
# Algoritma Penghalusan Eksponensial (ETS)
Exponential Smoothing [(ETS) adalah algoritma](https://en.wikipedia.org/wiki/Exponential_smoothing) statistik lokal yang umum digunakan untuk peramalan deret waktu. Algoritma Amazon Forecast ETS memanggil [fungsi ets](https://cran.r-project.org/web/packages/forecast/forecast.pdf#Rfn.ets.1) di `Package 'forecast'` Comprehensive R Archive Network (CRAN).
## Bagaimana ETS Bekerja
Algoritma ETS sangat berguna untuk kumpulan data dengan musiman dan asumsi sebelumnya lainnya tentang data. ETS menghitung rata-rata tertimbang atas semua pengamatan dalam kumpulan data deret waktu input sebagai prediksinya. Bobot menurun secara eksponensial dari waktu ke waktu, daripada bobot konstan dalam metode rata-rata bergerak sederhana. Bobot tergantung pada parameter konstan, yang dikenal sebagai parameter perataan.
## ETS Hyperparameters dan Tuning
[Untuk informasi tentang hiperparameter dan penyetelan ETS, lihat dokumentasi `ets` fungsi dalam [Package 'forecast'](https://cran.r-project.org/web/packages/forecast/forecast.pdf) dari CRAN.](https://cran.r-project.org)
Amazon Forecast mengonversi `DataFrequency` parameter yang ditentukan dalam [CreateDataset](API_CreateDataset.md) operasi ke `frequency` parameter fungsi R [ts](https://www.rdocumentation.org/packages/stats/versions/3.6.1/topics/ts) menggunakan tabel berikut:
| DataFrequency (tali) | Frekuensi R ts (bilangan bulat) |
| --- | --- |
| T | 1 |
| M | 12 |
| W | 52 |
| D | 7 |
| H | 24 |
| 30 menit | 2 |
| 15 menit | 4 |
| 10 menit | 6 |
| 5 menit | 12 |
| 1 menit | 60 |
Frekuensi data yang didukung yang tidak ada dalam tabel default ke `ts` frekuensi 1.
# Algoritma Deret Waktu Non-Parametrik (NPTS)
Algoritma Amazon Forecast Non-Parametric Time Series (NPTS) adalah peramal dasar probabilistik yang dapat diskalakan. Ini memprediksi distribusi nilai future dari deret waktu tertentu dengan mengambil sampel dari pengamatan sebelumnya. Prediksi dibatasi oleh nilai yang diamati. NPTS sangat berguna ketika deret waktu intermiten (atau jarang, mengandung banyak 0) dan meledak. Misalnya, memperkirakan permintaan untuk item individual di mana deret waktu memiliki banyak jumlah rendah. Amazon Forecast menyediakan varian NPT yang berbeda di mana dari pengamatan sebelumnya diambil sampelnya dan bagaimana mereka diambil sampelnya. Untuk menggunakan varian NPTS, Anda memilih pengaturan hyperparameter.
## Bagaimana NPTS Bekerja
Mirip dengan metode peramalan klasik, seperti exponential smoothing (ETS) dan autoregressive integrated moving average (ARIMA), NPTS menghasilkan prediksi untuk setiap deret waktu secara individual. Deret waktu dalam kumpulan data dapat memiliki panjang yang berbeda. Titik waktu di mana pengamatan tersedia disebut rentang pelatihan dan titik waktu di mana prediksi diinginkan disebut rentang prediksi.
Peramal Amazon Forecast NPTS memiliki varian berikut: NPTS, NPTS musiman, peramal klimatologis, dan peramal iklim musiman.
**Topics**
+ [NPTS](#aws-forecast-recipe-npts-variants-npts)
+ [NPTS musiman](#aws-forecast-recipe-npts-variants-seasonal)
+ [Peramal Klimatologis](#aws-forecast-recipe-npts-variants-climatological)
+ [Peramal Klimatologi Musiman](#aws-forecast-recipe-npts-variants-seasonal-climatological)
+ [Fitur Musiman](#aws-forecast-recipe-npts-seasonal-features)
+ [Praktik Terbaik](#aws-forecast-recipe-npts-recommended-practices)
### NPTS
Dalam varian ini, prediksi dihasilkan dengan pengambilan sampel dari semua pengamatan dalam rentang pelatihan deret waktu. Namun, alih-alih pengambilan sampel secara seragam dari semua pengamatan, varian ini memberikan bobot untuk setiap pengamatan masa lalu sesuai dengan seberapa jauh dari langkah waktu saat ini di mana prediksi diperlukan. Secara khusus, ia menggunakan bobot yang meluruh secara eksponensial sesuai dengan jarak pengamatan masa lalu. Dengan cara ini, pengamatan dari masa lalu baru-baru ini diambil sampelnya dengan probabilitas yang jauh lebih tinggi daripada pengamatan dari masa lalu yang jauh. Ini mengasumsikan bahwa masa lalu dekat lebih menunjukkan masa depan daripada masa lalu yang jauh. Anda dapat mengontrol jumlah peluruhan pada bobot dengan `exp_kernel_weights` hyperparameter.
Untuk menggunakan varian NPTS ini di Amazon Forecast, atur `use_seasonal_model` hyperparameter ke `False` dan terima semua pengaturan default lainnya.
### NPTS musiman
*Varian NPTS musiman mirip dengan NPTS kecuali bahwa alih-alih mengambil sampel dari semua pengamatan, ia hanya menggunakan pengamatan dari musim sebelumnya.* Secara default, musim ditentukan oleh perincian deret waktu. Misalnya, untuk deret waktu per jam, untuk memprediksi jam *t*, varian ini mengambil sampel dari pengamatan yang sesuai dengan jam *t* pada hari-hari sebelumnya. Mirip dengan NPTS, pengamatan pada jam *t* pada hari sebelumnya diberikan bobot lebih dari pengamatan pada jam *t* pada hari-hari sebelumnya. Untuk informasi lebih lanjut tentang cara menentukan musim berdasarkan perincian deret waktu, lihat. [Fitur Musiman](#aws-forecast-recipe-npts-seasonal-features)
### Peramal Klimatologis
Varian peramal klimatologis mengambil sampel semua pengamatan masa lalu dengan probabilitas seragam.
Untuk menggunakan peramal klimatologis, atur `kernel_type` hyperparameter ke `uniform` dan hyperparameter ke. `use_seasonal_model` `False` Terima pengaturan default untuk semua hyperparameters lainnya.
### Peramal Klimatologi Musiman
Mirip dengan NPTS musiman, peramal klimatologi musiman mengambil sampel pengamatan dari musim sebelumnya, tetapi mengambil sampelnya dengan probabilitas yang seragam.
Untuk menggunakan peramal klimatologis musiman, atur hyperparameter ke. `kernel_type` `uniform` Terima semua pengaturan default lainnya untuk semua hyperparameter lainnya.
### Fitur Musiman
Untuk menentukan apa yang sesuai dengan musim untuk NPTS musiman dan peramal iklim musiman, gunakan fitur yang tercantum dalam tabel berikut. Tabel ini mencantumkan fitur turunan untuk frekuensi waktu dasar yang didukung, berdasarkan granularitas. Amazon Forecast menyertakan rangkaian waktu fitur ini, jadi Anda tidak perlu menyediakannya.
****
| Frekuensi Deret Waktu | Fitur untuk Menentukan Musiman |
| --- | --- |
| Menit | minute-of-hour |
| Jam | hour-of-day |
| Hari | day-of-week |
| Minggu | day-of-month |
| Bulan | month-of-year |
### Praktik Terbaik
Saat menggunakan algoritme Amazon Forecast NPTS, pertimbangkan praktik terbaik berikut untuk menyiapkan data dan mencapai hasil yang optimal:
+ Karena NPTS menghasilkan prediksi untuk setiap deret waktu secara individual, sediakan seluruh deret waktu saat memanggil model untuk prediksi. Juga, terima nilai default dari `context_length` hyperparameter. Hal ini menyebabkan algoritma menggunakan seluruh deret waktu.
+ Jika Anda mengubah `context_length` (karena data pelatihan terlalu panjang), pastikan itu cukup besar dan mencakup beberapa musim sebelumnya. Misalnya, untuk deret waktu harian, nilai ini harus setidaknya 365 hari (asalkan Anda memiliki jumlah data tersebut).
## Hiperparameter NPTS
Tabel berikut mencantumkan hyperparameters yang dapat Anda gunakan dalam algoritma NPTS.
| Nama Parameter | Deskripsi |
| --- | --- |
| context\$1length | Jumlah titik waktu di masa lalu yang digunakan model untuk membuat prediksi. Secara default, ia menggunakan semua titik waktu dalam rentang pelatihan. Biasanya, nilai untuk hyperparameter ini harus besar dan harus mencakup beberapa musim sebelumnya. Misalnya, untuk deret waktu harian nilai ini harus minimal 365 hari. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/aws-forecast-recipe-npts.html) |
| kernel\$1type | Kernel yang digunakan untuk menentukan bobot yang digunakan untuk pengambilan sampel pengamatan masa lalu. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/aws-forecast-recipe-npts.html) |
| exp\$1kernel\$1weights | Hanya berlaku bila `kernel_type` ada`exponential`. Parameter penskalaan kernel. Untuk peluruhan yang lebih cepat (eksponensial) dalam bobot yang diberikan pada pengamatan di masa lalu, gunakan nilai yang besar. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/aws-forecast-recipe-npts.html) |
| gunakan\$1seasonal\$1model | Apakah akan menggunakan varian musiman. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/aws-forecast-recipe-npts.html) |
| gunakan\$1default\$1time\$1features | Hanya berlaku untuk *NPTS musiman dan varian* *peramal iklim musiman.* Apakah akan menggunakan fitur musiman berdasarkan perincian deret waktu untuk menentukan musim. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/forecast/latest/dg/aws-forecast-recipe-npts.html) |
# Algoritma Nabi
[Nabi](https://facebook.github.io/prophet/) adalah model deret waktu struktural Bayesian lokal yang populer. Algoritma Amazon Forecast Prophet menggunakan [kelas Nabi](https://facebook.github.io/prophet/docs/quick_start.html#python-ap) dari implementasi Python Nabi.
## Bagaimana Nabi Bekerja
Nabi sangat berguna untuk kumpulan data yang:
+ Berisi periode waktu yang diperpanjang (bulan atau tahun) dari pengamatan historis terperinci (per jam, harian, atau mingguan)
+ Memiliki beberapa musim yang kuat
+ Sertakan peristiwa penting, tetapi tidak teratur yang diketahui sebelumnya
+ Memiliki titik data yang hilang atau outlier besar
+ Memiliki tren pertumbuhan non-linier yang mendekati batas
Nabi adalah model regresi aditif dengan tren kurva pertumbuhan linier atau logistik sedikit demi sedikit. Ini mencakup komponen musiman tahunan yang dimodelkan menggunakan seri Fourier dan komponen musiman mingguan yang dimodelkan menggunakan variabel dummy.
Untuk informasi lebih lanjut, lihat [Nabi: peramalan dalam skala](https://research.facebook.com/blog/2017/2/prophet-forecasting-at-scale/).
## Nabi Hyperparameter dan Deret Waktu Terkait
Amazon Forecast menggunakan [hyperparameters](https://facebook.github.io/prophet/docs/quick_start.html#python-ap) Nabi default. Prophet juga mendukung deret waktu terkait sebagai fitur, yang disediakan untuk Amazon Forecast dalam file CSV deret waktu terkait.