View a markdown version of this page

Lampiran A: FAQ - Prinsip Pemrakiraan Deret Waktu dengan Amazon Forecast

Lampiran A: FAQ

T: Apa yang harus saya lakukan untuk memulai dengan Amazon Forecast?

  1. Pertama, Anda akan membutuhkan Akun AWS.

  2. Selanjutnya, buka layanan Forecast di AWS Management Console, buat grup set data, dan impor file .csv ke set data deret waktu target (wajib). Data minimum yang diperlukan untuk memulai adalah data historis untuk jumlah yang ingin Anda prediksi, seperti listrik per tanda waktu per rumah tangga.

  3. Terakhir, buat model dengan menjalankan CreatePredictor dan mengeluarkan hasil dengan menjalankan CreateForecast. Lihat halaman dokumentasi Memulai untuk selengkapnya.

Lihat juga panduan Pendahuluan dan Praktik Terbaik GitHub.

T: Apakah Amazon Forecast cocok untuk saya?

Tidak semua masalah machine learning merupakan masalah prakiraan. Pertanyaan pertama yang harus ditanyakan adalah, “Apakah masalah bisnis saya termasuk deret waktu dalam pernyataannya?” Misalnya, apakah Anda memerlukan nilai tertentu hanya pada waktu dan tanggal tertentu di masa mendatang? Prakiraan tidak cocok untuk masalah umum, statis (di mana tanggal/waktu tertentu tidak penting), seperti deteksi penipuan atau untuk merekomendasikan judul film kepada pengguna. Ada solusi yang jauh lebih cepat untuk masalah statis.

Selain memiliki data deret waktu, data itu sendiri harus “padat,” dan memiliki riwayat panjang. Hal ini dirangkum dalam tabel berikut:

Tabel 2 — Kriteria dan kelas algoritme Amazon Forecast

Kriteria Kelas algoritme Amazon Forecast
Set data besar dengan hingga lima juta deret waktu dengan pola dasar serupa + efek musiman + data terkait. Setiap deret waktu harus memiliki riwayat panjang, idealnya lebih dari dua tahun jika mencoba untuk mendapatkan peristiwa tahunan, dan setiap deret waktu yang lebih dari 300, idealnya setidaknya 1K titik data. DeepAR+, CNN-QR deep learning eksklusif Amazon Forecast
Set data kecil dengan 1-100 deret waktu, di mana sebagian besar deret waktu memiliki lebih dari 300 titik data + efek musiman + data terkait. Prophet
Set data kecil dengan 1-10 deret waktu, di mana sebagian besar deret waktu memiliki lebih dari 300 titik data + efek musiman. ETS, ARIMA
Intermiten (jarang mengandung banyak 0) dengan 1-10 deret waktu, di mana sebagian besar deret waktu memiliki lebih dari 300 titik data. NPTS eksklusif Amazon Forecast
Set data kecil (reguler atau jarang) dengan 1-10 deret waktu, di mana sebagian besar deret waktu memiliki kurang dari 300 titik data. Data terlalu kecil untuk Amazon Forecast. Coba ETS di Excel atau model statistik tradisional ARIMA dan Prophet sebagai gantinya.

Praktik terbaik adalah berlatih dengan mode AutoML di Predictor Anda, pertama kalinya pada data Anda. AutoML secara otomatis akan beroperasi melalui semua algoritme, (algoritme DL dijalankan dengan HPO diaktifkan), untuk mempelajari algoritme mana yang berfungsi paling baik pada data Anda.

T: Apa pendapat saya tentang data yang hilang? Kapan membuat prakiraan yang masuk akal itu terlalu merepotkan?

Mungkin saja ada masalah dalam perekaman data atau tingkat agregasi data terlalu rendah atau terlalu tinggi. Aturan umumnya adalah, panjang Forecast tidak boleh lebih dari 1/3 data pelatihan.

Selain jumlah data yang hilang, pertimbangan lain adalah imputasi data yang hilang. Anda dapat mengonversi semua 0 menjadi null dan membiarkan Amazon Forecast melakukan tugas berat yakni mengimputasi nilai-nilai yang hilang secara otomatis. Amazon Forecast akan secara otomatis mendeteksi apakah nilai yang hilang terjadi karena pengenalan produk baru (cold-start) atau produk pada akhir masa pakai. Anda dapat menggunakan beberapa logika nilai yang hilang termasuk nilai, median, minimum, maksimum, nol, rata-rata, dan nan (deret waktu target saja. Lihat dokumentasi untuk null-filling syntax.

  • “frontfill” - (hanya TTS) mengacu pada item baru atau cold-start dan bagaimana Anda ingin memperlakukan nulls sebelum item mulai memiliki riwayat

  • “middlefill” - Mengacu pada nulls di tengah nilai deret waktu

  • “backfill” - Mengacu pada item pada akhir masa pakai dan bagaimana Anda ingin memperlakukan nulls setelah item berhenti laku

  • “futurefill” - (hanya RTS) mengacu pada nulls yang terjadi setelah akhir data pelatihan

T: Data historis input saya tidak memiliki nilai negatif, tetapi saya melihat nilai negatif dalam prakiraan permintaan? Mengapa ini terjadi? Apa yang bisa saya lakukan untuk menghindari hal ini?

Untuk semua model selain NPTS (dilatih pada data non-negatif) dan DeepAR (dengan fungsi kemungkinan negatif-binomial), tidak ada jaminan akan menghasilkan angka positif. Solusinya adalah mengubah ke salah satu model yang disebutkan di atas, atau memotong nilai prakiraan ke nilai non-negatif.

T: Mengapa metrik akurasi berbeda pada kuantil? Bukankah kesalahannya sama karena modelnya sama?

Lihat Weighted Quantile Loss (wQL) untuk penjelasan lebih lanjut tentang bagaimana pembobotan bergantung pada kuantil.

Bayangkan Anda memiliki semua prakiraan pada tiga kuantil yang berbeda: p10, p50, p90. Tiga prediksi itu sendiri adalah variabel acak. Akurasi dihitung secara terpisah antara aktual dan prakiraan pada setiap tingkat kuantil. Anda mungkin akan melihat tabel “wQL”, weighted quantile loss, seperti di bawah ini. Nilai-nilai wQL tidak memiliki hubungan yang menentukan antara satu sama lain. (Ingat loss berarti kesalahan, sehingga tidak diorder; tetapi prakiraan kuantil diorder). Jadi, misalnya, tidak ada alasan mengapa p90 wQL harus lebih besar dari p50 wQL. 

Table 3 — Contoh prakiraan kuantil

A B C
1 P10 wQL P50 wQL P90 wQL
2 0,18647 0,50879 0,30428

T: Bagaimana cara meningkatkan akurasi prakiraan?

Akurasi prakiraan bergantung pada apakah data yang tepat tersedia dalam kuantitas dan kualitas yang tepat. Jika akurasi tidak memuaskan, mungkin masuk akal untuk memahami seberapa dapat diprediksi masalahnya (atau seberapa acak/salah/stasioner datanya). Faktor lain yang perlu dipertimbangkan termasuk mengevaluasi model yang berbeda, pengaturan hiperparameter, dan menyertakan fitur tambahan dengan menggunakan set data metadata item dan deret waktu terkait. Untuk saran spesifik, lihat dokumen Praktik Terbaik ini di GitHub.

T: Saya memiliki algoritme yang berfungsi sangat baik untuk kasus penggunaan saya, dan tidak ditawarkan di Amazon Forecast. Apa yang harus saya lakukan?

Tim Amazon Forecast akan dengan senang hati membantu Anda dalam kasus penggunaan ini. Hubungi tim layanan Amazon Forecast dengan mengirim email ke .