Amazon Forecast non è più disponibile per i nuovi clienti. I clienti esistenti di Amazon Forecast possono continuare a utilizzare il servizio normalmente. [Scopri di più»](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/)
Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
# Predittori di allenamento
Un predittore è un modello Amazon Forecast che viene addestrato utilizzando le serie temporali di destinazione, le serie temporali correlate, i metadati degli articoli e qualsiasi set di dati aggiuntivo che includi. Puoi utilizzare i predittori per generare previsioni basate sui dati delle tue serie temporali.
Per impostazione predefinita, Amazon Forecast crea un AutoPredictor file, in cui Forecast applica la combinazione ottimale di algoritmi a ogni serie temporale dei tuoi set di dati.
**Topics**
+ [Creazione di un Predictor](#creating-predictors)
+ [Aggiornamento a AutoPredictor](#upgrading-autopredictor)
+ [Aggregazione dei dati per diverse frequenze di previsione](data-aggregation.md)
+ [Utilizzo di set di dati aggiuntivi](#using-additional-datasets)
+ [Lavorare con i predittori preesistenti](#legacy-predictors)
+ [Valutazione dell'accuratezza dei predittori](metrics.md)
+ [Predittori di riqualificazione](retrain-predictors.md)
+ [Indice meteorologico](weather.md)
+ [Caratterizzazione delle festività](holidays.md)
+ [Spiegabilità dei predittori](predictor-explainability.md)
+ [Monitoraggio predittivo](predictor-monitoring.md)
+ [Algoritmi di Amazon Forecast](aws-forecast-choosing-recipes.md)
## Creazione di un Predictor
Amazon Forecast richiede i seguenti input per addestrare un predittore:
+ Gruppo di **set di dati: un gruppo** di set di dati che deve includere un set di dati di serie temporali target. Il set di dati della serie temporale di destinazione include l'attributo target (`item_id`) e l'attributo timestamp, oltre a qualsiasi dimensione. Le serie temporali e i metadati degli articoli correlati sono facoltativi. Per ulteriori informazioni, consulta [Importazione di set di dati](howitworks-datasets-groups.md).
+ **Frequenza delle previsioni**: la granularità delle previsioni (orarie, giornaliere, settimanali, ecc.). Amazon Forecast ti consente di determinare l'esatta granularità delle previsioni quando fornisci l'unità di frequenza e il valore. Sono consentiti solo valori interi
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/howitworks-predictor.html)
Ad esempio, se desideri previsioni a settimane alterne, l'unità di frequenza è settimanale e il valore è 2. Oppure, se desideri previsioni trimestrali, l'unità di frequenza è mensile e il valore è 3.
Quando i dati vengono raccolti con una frequenza maggiore rispetto alla frequenza di previsione, vengono aggregati alla frequenza di previsione. Ciò include le serie temporali finali e i dati delle serie temporali correlate. Per ulteriori informazioni sull'aggregazione, vedere. [Aggregazione dei dati per diverse frequenze di previsione](data-aggregation.md)
+ **Forecast horizon**: il numero di fasi temporali previste.
È inoltre possibile impostare valori per i seguenti input opzionali:
+ **Limite di allineamento temporale**: il limite temporale utilizzato da Forecast per aggregare i dati e generare previsioni in linea con la frequenza di previsione specificata. Per ulteriori informazioni sull'aggregazione, vedere. [Aggregazione dei dati per diverse frequenze di previsione](data-aggregation.md) Per informazioni sulla specificazione di un limite temporale, vedere. [Limiti di tempo](data-aggregation.md#time-boundaries)
+ **Dimensioni previsionali**: le dimensioni sono attributi opzionali nel set di dati della serie temporale di destinazione che possono essere utilizzati in combinazione con il valore target (`item_id`) per creare serie temporali separate.
+ **Tipi di previsione**: i quantili utilizzati per valutare il predittore.
+ **Metrica di ottimizzazione: la metrica** di precisione utilizzata per ottimizzare il predittore.
+ Set di **dati aggiuntivi: set** di dati Amazon Forecast integrati come Weather Index e Holidays.
Puoi creare un predittore utilizzando il Software Development Kit (SDK) o la console Amazon Forecast.
------
#### [ Console ]
**Per creare un predittore**
1. Accedi Console di gestione AWS e apri la console Amazon Forecast all'indirizzo [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Dai **gruppi di set** di dati, scegli il tuo gruppo di set di dati.
1. **Nel riquadro di navigazione, scegli Predittori.**
1. Scegli **Train new predictor**.
1. Fornisci i valori per i seguenti campi obbligatori:
+ **Nome**: un nome predittivo univoco.
+ **Forecast frequency**: la granularità delle previsioni.
+ **Forecast horizon**: il numero di fasi temporali da prevedere.
1. Scegli **Avvia**.
Per informazioni su set di dati aggiuntivi, vedere [Indice meteorologico](weather.md) e[Caratterizzazione delle festività](holidays.md). Per ulteriori informazioni sulla personalizzazione dei tipi di previsione e delle metriche di ottimizzazione, consulta. [Valutazione dell'accuratezza dei predittori](metrics.md)
------
#### [ AWS CLI ]
Per creare un predittore automatico con AWS CLI, usa il `create-predictor` comando. Il codice seguente crea un predittore automatico che fa previsioni per 14 giorni nel futuro.
Fornisci un nome per il predittore e l'Amazon Resource Name (ARN) del gruppo di set di dati che include i dati di addestramento. Facoltativamente, modifica l'orizzonte di previsione e la frequenza di previsione. Facoltativamente, aggiungi qualsiasi tag per il predittore. Per ulteriori informazioni, consulta [Etichettare le risorse di Amazon Forecast](tagging-forecast-resources.md).
Per informazioni sui parametri obbligatori e facoltativi, vedere. [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
```
Per ulteriori informazioni sulla personalizzazione dei tipi di previsione e delle metriche di ottimizzazione, consulta [Valutazione dell'accuratezza dei predittori](metrics.md) The Weather Index and Holidays. I set di dati aggiuntivi sono definiti all'interno del tipo di dati. `DataConfig` Per informazioni su set di dati aggiuntivi, consulta e. [Indice meteorologico](weather.md) [Caratterizzazione delle festività](holidays.md)
------
#### [ Python ]
Per creare un predittore automatico con l'SDK for Python (Boto3), usa il metodo. `create_auto_predictor` Il codice seguente crea un predittore automatico che fa previsioni per 14 giorni nel futuro.
Fornisci un nome per il predittore e l'Amazon Resource Name (ARN) del gruppo di set di dati che include i dati di addestramento. Facoltativamente, modifica l'orizzonte di previsione e la frequenza di previsione. Facoltativamente, aggiungi qualsiasi tag per il predittore. Per ulteriori informazioni, consulta [Etichettare le risorse di Amazon Forecast](tagging-forecast-resources.md).
Per informazioni sui parametri obbligatori e facoltativi, vedere. [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'])
```
Per ulteriori informazioni sulla personalizzazione dei tipi di previsione e delle metriche di ottimizzazione, consulta [Valutazione dell'accuratezza dei predittori](metrics.md) The Weather Index and Holidays. I set di dati aggiuntivi sono definiti all'interno del tipo di dati. `DataConfig` Per informazioni su set di dati aggiuntivi, consulta e. [Indice meteorologico](weather.md) [Caratterizzazione delle festività](holidays.md)
------
## Aggiornamento a AutoPredictor
**Quaderni in Python**
[Per una step-by-step guida sull'aggiornamento dei predittori a, vedi Aggiornamento di un predittore a AutoPredictor. AutoPredictor](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/basic/Upgrading_to_AutoPredictor/UpgradeToAutoPredictor.ipynb)
I predittori creati con AutoML o selezione manuale CreatePredictor () possono essere aggiornati a un. AutoPredictor L'aggiornamento di un file esistente AutoPredictor trasferirà tutte le impostazioni di configurazione del predittore pertinenti.
Dopo l'aggiornamento a AutoPredictor, il predittore originale rimarrà attivo e il predittore aggiornato avrà un Predictor ARN separato. Ciò consente di confrontare le metriche di precisione tra i due predittori e di generare previsioni con il predittore originale.
Puoi aggiornare un predittore utilizzando il Software Development Kit (SDK) o la console Amazon Forecast.
------
#### [ Console ]
**Per aggiornare un predittore**
1. Accedi Console di gestione AWS e apri la console Amazon Forecast all'indirizzo [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Nel riquadro di navigazione, scegli **Predictors**.
1. **Scegli il predittore da aggiornare e scegli Aggiorna.**
1. Imposta un nome univoco per il predittore aggiornato.
1. Scegli **Esegui l'upgrade** a. AutoPredictor
------
#### [ CLI ]
Per aggiornare un predittore con AWS CLI, usa il `create-predictor` metodo, ma specifica *solo* il nome del predittore e il valore di `reference-predictor-arn` (l'ARN del predittore che desideri aggiornare).
```
aws forecast create-predictor \
--predictor-name predictor_name \
--reference-predictor-arn arn:aws:forecast:region:account:predictor/predictorName
```
------
#### [ Python ]
Per aggiornare un predittore con l'SDK for Python (Boto3), `create_auto_predictor` usa il metodo, *ma specifica solo* il nome del predittore e il valore `ReferencePredictorArn` di (l'ARN del predittore che desideri aggiornare).
```
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'])
```
------
# Aggregazione dei dati per diverse frequenze di previsione
Quando si crea un predittore, è necessario specificare una frequenza di previsione. La frequenza delle previsioni determina la frequenza delle anticipazioni. Ad esempio, previsioni di vendita mensili. I predittori di Amazon Forecast possono generare previsioni per frequenze di dati superiori alla frequenza di previsione specificata. Ad esempio, puoi generare previsioni settimanali anche se i tuoi dati vengono registrati giornalmente. Durante l'allenamento, Forecast aggrega i dati giornalieri per generare previsioni con la frequenza settimanale delle previsioni.
**Topics**
+ [Come funziona l'aggregazione](how-aggregation-works.md)
+ [Limiti di tempo](#time-boundaries)
+ [Ipotesi di aggregazione dei dati](aggregation-guidelines.md)
# Come funziona l'aggregazione
Durante la formazione, Amazon Forecast aggrega tutti i dati che non sono in linea con la frequenza di previsione specificata. Ad esempio, potresti avere alcuni dati giornalieri ma specificare una frequenza di previsione settimanale. Forecast allinea i dati giornalieri in base alla settimana a cui appartengono. Forecast lo combina quindi in un unico record per ogni settimana. Forecast determina a quale settimana (o mese o giorno e così via) appartengono i dati in base alla loro relazione con un limite temporale. I limiti temporali specificano l'inizio di un'unità di tempo, ad esempio l'ora in cui inizia un giorno o il giorno della settimana.
Per le previsioni orarie e minutarie o limiti temporali non specificati, Forecast utilizza un limite temporale predefinito basato sull'unità di tempo della frequenza. Per i predittori automatici con frequenze di previsione giornaliere, settimanali, mensili o annuali, puoi specificare un limite temporale personalizzato. Per ulteriori informazioni sui limiti temporali, vedere. [Limiti di tempo](data-aggregation.md#time-boundaries)
Durante l'aggregazione, il metodo di trasformazione predefinito consiste nel sommare i dati. Puoi configurare la trasformazione quando crei il tuo predittore. Questa operazione viene eseguita nella sezione **Configurazione dei dati di input** della pagina **Crea predittore** nella console Forecast. Oppure puoi impostare il metodo di trasformazione nel `Transformations` parametro [AttributeConfig](API_AttributeConfig.md) dell' CreateAutoPredictor operazione.
Le tabelle seguenti mostrano un esempio di aggregazione per una frequenza di previsione oraria utilizzando il limite temporale predefinito: Ogni ora inizia all'inizio dell'ora.
**Pre-trasformazione**
| Orario | Dati | All'inizio dell'ora |
| --- | --- | --- |
| 2018-03-03 01:00:00 | 100 | Sì |
| 2018-03-03 02:20:00 | 50 | No |
| 2018-03-03 02:45:00 | 20 | No |
| 2018-03-03 04:00:00 | 120 | Sì |
**Post-trasformazione**
| Orario | Dati | Note |
| --- | --- | --- |
| 2018-03-03 01:00:00 | 100 | |
| 2018-03-03 02:00:00 | 70 | Somma dei valori tra 02:00:00 -02:59:59 (50 \$1 20) |
| 2018-03-03 03:00:00 | Empty | Nessun valore tra 03:00:00 e 03:59:59 |
| 2018-03-03 04:00:00 | 120 | |
La figura seguente mostra come Forecast trasforma i dati per adattarli al limite orario settimanale predefinito.
![\[Raw sales data points transformed into a smooth demand time series curve over weekly intervals.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/data-alignment.png)
## Limiti di tempo
I limiti temporali specificano l'inizio di un'unità di tempo, ad esempio il giorno di inizio di una settimana. Prima di aggregare i dati, Amazon Forecast allinea i dati in base all'unità di tempo della frequenza di previsione. Lo fa in base alla relazione dei dati con un limite temporale.
Ad esempio, se si specifica una frequenza di previsione giornaliera ma non un limite temporale personalizzato, Forecast allinea ogni record orario in base al giorno a cui appartiene. Ogni giorno inizia alle ore 0. La definizione di quando inizia la giornata, 0 ore, è il limite temporale. Quindi Forecast aggrega i record orari in un singolo record per quel giorno.
Forecast utilizza un limite temporale predefinito basato sull'unità di tempo della frequenza di previsione. Se crei un predittore automatico, puoi specificare un limite temporale personalizzato.
Se specifichi sia un limite temporale personalizzato che una frequenza di previsione personalizzata, Forecast aggrega i dati all'interno della frequenza di previsione e li allinea al limite orario personalizzato. La frequenza di previsione determina la frequenza di aggregazione dei dati, mentre il limite temporale personalizzato determina la posizione dell'allineamento. Ad esempio, supponiamo che i tuoi dati vengano raccolti giornalmente e desideri che Amazon Forecast generi previsioni trimestrali il 15 del mese per un anno. A tale scopo, imposta la frequenza di previsione su ogni 3 mesi e il limite temporale personalizzato su 15. Vedi l' AWS Command Line Interface esempio seguente.
```
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
```
In questo esempio, tutti i dati giornalieri vengono sommati (aggregazione predefinita) al 15 di ogni terzo mese.
Tieni presente che questa aggregazione non richiede dati giornalieri, ma solo che i dati vengono raccolti mensilmente o più frequentemente.
**Topics**
+ [Limiti temporali predefiniti](#default-time-boundaries)
+ [Specificare un limite temporale](#specifying-time-boundary)
### Limiti temporali predefiniti
La tabella seguente elenca i limiti di allineamento temporale predefiniti utilizzati da Forecast per l'aggregazione dei dati.
| Frequenza | Limite |
| --- | --- |
| Minuto | Ultimo inizio del minuto (45:00, 06:00) |
| Ora | Ultimo inizio dell'ora (09:00:00, 13:00:00) |
| Day (Giorno) | Prima ora del giorno (ora 0) |
| Settimana | Lunedì più recente |
| Mese | Primo giorno del mese |
| Anno | Primo giorno dell'anno (1 gennaio) |
### Specificare un limite temporale
**Nota**
È possibile specificare solo un limite temporale per un predittore automatico.
Quando crei un predittore automatico con una frequenza di previsione giornaliera, settimanale, mensile o annuale, puoi specificare il limite temporale utilizzato da Forecast per aggregare i dati. È possibile specificare un limite di orario se il calendario aziendale non è allineato con i limiti di orario predefiniti. Ad esempio, potresti voler generare previsioni mensili in cui ogni mese inizia il terzo giorno del mese. Se non si specifica un limite temporale, Forecast utilizza un set di[Limiti temporali predefiniti](#default-time-boundaries).
L'unità limite temporale specificata deve essere un'unità più fine della frequenza di previsione. La tabella seguente elenca l'unità del limite temporale e i valori che è possibile specificare, organizzati per frequenza di previsione.
È possibile specificare solo un limite `Monthly` temporale con un valore limite uguale o inferiore. `28`
| Unità di frequenza Forecast | Unità limite | Valori limite |
| --- | --- | --- |
| Giornaliero | Ora | 0-23 |
| Settimanale | Giorno della settimana | Dal lunedì alla domenica |
| Mensile | Giorno del mese | Da 1 a 28 |
| Annuale | Mese | Da gennaio a dicembre |
Quando crei un predittore, specifichi un limite di allineamento temporale come segue. Per informazioni sulle diverse unità e valori limite temporali che è possibile specificare a livello di codice, vedere. [TimeAlignmentBoundary](API_TimeAlignmentBoundary.md)
------
#### [ Console ]
****
**Per specificare un limite di allineamento temporale per un predittore**
1. Accedi Console di gestione AWS e apri la console Amazon Forecast all'indirizzo [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Dai **gruppi di set** di dati, scegli il tuo gruppo di set di dati.
1. **Nel riquadro di navigazione, scegli Predittori.**
1. Scegli **Train new predictor**.
1. Fornire i valori per i campi obbligatori **Nome**, **Frequenza di previsione** **e Orizzonte** di previsione.
1. Per Limite di **allineamento temporale, specifica il limite** temporale che il predittore utilizzerà per aggregare i dati. I valori in questo elenco dipendono dalla **frequenza di Forecast** scelta.
1. Scegli **Avvia**. Forecast aggregherà i dati utilizzando il limite di allineamento temporale specificato durante la creazione del predittore.
------
#### [ AWS CLI ]
Per specificare un limite di allineamento temporale per un predittore con il, usa il comando. AWS CLI`create-predictor` Per il `time-alignment-boundary` parametro, fornite l'unità di tempo e il valore limite. Il codice seguente crea un predittore automatico che fa previsioni per 5 settimane future, dove ogni settimana inizia di martedì.
`DayOfWeek`e `DayOfMonth` i valori devono essere tutti in maiuscolo. Per informazioni sulle diverse unità limite temporali e sui valori limite che è possibile specificare, vedere. [TimeAlignmentBoundary](API_TimeAlignmentBoundary.md) Per informazioni sui parametri obbligatori e facoltativi, vedere. [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 ]
Per specificare un limite di allineamento temporale per un predittore con SDK for Python (Boto3), usa il metodo. `create_auto_predictor` Per il `TimeAlignmentBoundary` parametro, fornite un dizionario con l'unità di tempo come chiave e il valore limite come valore. Il codice seguente crea un predittore automatico che fa previsioni per 5 settimane future, dove ogni settimana inizia di martedì.
`DayOfWeek`e `DayOfMonth` i valori devono essere tutti in maiuscolo. Per informazioni sulle diverse unità limite temporali e sui valori limite che è possibile specificare, vedere. [TimeAlignmentBoundary](API_TimeAlignmentBoundary.md) Per informazioni sui parametri obbligatori e facoltativi, vedere. [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'])
```
------
# Ipotesi di aggregazione dei dati
Forecast non presuppone che i dati provengano da un fuso orario specifico. Tuttavia, durante l'aggregazione dei dati di serie temporali, effettua le seguenti ipotesi:
+ Tutti i dati provengono dallo stesso fuso orario.
+ Tutte le previsioni si trovano nello stesso fuso orario dei dati nel set di dati.
+ Se specifichi la caratteristica di festività [SupplementaryFeature](API_SupplementaryFeature.md) nel parametro [InputDataConfig](API_InputDataConfig.md) per l'operazione [CreatePredictor](API_CreatePredictor.md), i dati di input provengono dallo stesso paese.
## Utilizzo di set di dati aggiuntivi
Amazon Forecast può includere Weather Index e Holidays durante la creazione del tuo predittore. L'indice meteorologico incorpora le informazioni meteorologiche nel modello e Holidays incorpora le informazioni relative alle festività nazionali.
L'indice meteorologico richiede un attributo di «geolocalizzazione» nel set di dati delle serie temporali target e informazioni sui fusi orari per i timestamp. Per ulteriori informazioni, consulta [Indice meteorologico](weather.md).
Holidays include informazioni sulle vacanze in oltre 250 paesi. Per ulteriori informazioni, consulta [Caratterizzazione delle festività](holidays.md).
## Lavorare con i predittori preesistenti
**Nota**
Per aggiornare un predittore esistente a AutoPredictor, vedi [Aggiornamento a AutoPredictor](#upgrading-autopredictor)
AutoPredictor è il metodo predefinito e preferito per creare un predittore con Amazon Forecast. AutoPredictor crea predittori applicando la combinazione ottimale di algoritmi per ogni serie temporale del set di dati.
I predittori creati con AutoPredictor sono generalmente più accurati dei predittori creati con AutoML o selezione manuale. Le funzionalità Forecast Explainability e Predictor Retraining sono disponibili solo per i predittori creati con. AutoPredictor
Amazon Forecast può anche creare predittori legacy nei seguenti modi:
1. **AutoML -** Forecast trova l'algoritmo con le migliori prestazioni e lo applica all'intero set di dati.
1. **Selezione manuale**: scegli manualmente un singolo algoritmo da applicare all'intero set di dati.
Potresti essere in grado di creare un predittore legacy utilizzando il Software Development Kit (SDK).
------
#### [ SDK ]
**Per usare AutoML**
Utilizzando l'[`CreatePredictor`](API_CreatePredictor.md)operazione, impostate il valore `PerformAutoML` di`"true"`.
```
{
...
"PerformAutoML": "true",
}
```
Se si utilizza AutoML, non è possibile impostare un valore per i seguenti CreatePredictor parametri:`AlgorithmArn`,,`HPOConfig`. `TrainingParameters`
------
# Valutazione dell'accuratezza dei predittori
Amazon Forecast produce metriche di precisione per valutare i predittori e aiutarti a scegliere quali utilizzare per generare previsioni. Forecast valuta i predittori utilizzando le metriche Root Mean Square Error (RMSE), Weighted Quantile Loss (wQL), Mean Absolute Percentage Error (MAPE), Mean Absolute Scaled Error (MASE) e Weighted Absolute Percentage Error (WAPE).
Amazon Forecast utilizza il backtesting per ottimizzare i parametri e produrre metriche di precisione. Durante il backtest, Forecast divide automaticamente i dati delle serie temporali in due set: un set di allenamento e un set di test. Il set di formazione viene utilizzato per addestrare un modello e generare previsioni per i punti dati all'interno del set di test. Forecast valuta l'accuratezza del modello confrontando i valori previsti con i valori osservati nel set di test.
Forecast consente di valutare i predittori utilizzando diversi tipi di previsione, che possono essere un insieme di previsioni quantili e la previsione media. La previsione media fornisce una stima puntuale, mentre le previsioni quantiliche forniscono in genere una serie di risultati possibili.
**Quaderni in Python**
[Per una step-by-step guida sulla valutazione delle metriche predittive, consulta Calcolo delle metriche utilizzando i backtest a livello di elemento.](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Item_Level_Accuracy/Item_Level_Accuracy_Using_Bike_Example.ipynb) .
**Topics**
+ [Interpretazione delle metriche di precisione](#predictor-metrics)
+ [Perdita quantile ponderata (wQl)](#metrics-wQL)
+ [Errore percentuale assoluto ponderato (WAPE)](#metrics-WAPE)
+ [Root Mean Square Error (RMSE)](#metrics-RMSE)
+ [Errore percentuale assoluto medio (MAPE)](#metrics-mape)
+ [Errore scalato assoluto medio (MASE)](#metrics-mase)
+ [Esportazione delle metriche di precisione](#backtest-exports)
+ [Scelta dei tipi di Forecast](#forecast-types)
+ [Lavorare con i predittori precedenti](#legacy-metrics)
## Interpretazione delle metriche di precisione
Amazon Forecast fornisce i parametri 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) e Weighted Absolute Percentage Error (WAPE) per valutare i tuoi predittori. Oltre alle metriche per il predittore generale, Forecast calcola le metriche per ogni finestra di backtest.
Puoi visualizzare le metriche di precisione per i tuoi predittori utilizzando l'Amazon Forecast Software Development Kit (SDK) e la console Amazon Forecast.
------
#### [ Forecast SDK ]
Utilizzando l'[GetAccuracyMetrics](API_GetAccuracyMetrics.md)Operation, specifica di visualizzare i parametri RMSE, `PredictorArn` MASE, MAPE, WAPE, Average wQl e wQl per ogni backtest.
```
{
"PredictorArn": "arn:aws:forecast:region:acct-id:predictor/example-id"
}
```
------
#### [ Forecast Console ]
Scegli il tuo predittore nella pagina **Predittori**. **Le metriche di precisione per il predittore sono mostrate nella sezione Metriche del predittore.**
------
**Nota**
Per le metriche Average wQl, wQl, RMSE, MASE, MAPE e WAPE, un valore inferiore indica un modello superiore.
**Topics**
+ [Interpretazione delle metriche di precisione](#predictor-metrics)
+ [Perdita quantile ponderata (wQl)](#metrics-wQL)
+ [Errore percentuale assoluto ponderato (WAPE)](#metrics-WAPE)
+ [Root Mean Square Error (RMSE)](#metrics-RMSE)
+ [Errore percentuale assoluto medio (MAPE)](#metrics-mape)
+ [Errore scalato assoluto medio (MASE)](#metrics-mase)
+ [Esportazione delle metriche di precisione](#backtest-exports)
+ [Scelta dei tipi di Forecast](#forecast-types)
+ [Lavorare con i predittori precedenti](#legacy-metrics)
## Perdita quantile ponderata (wQl)
La metrica Weighted Quantile Loss (wQL) misura l'accuratezza di un modello in base a un quantile specificato. È particolarmente utile in presenza di costi diversi dovuti alla sottoprevisione e alla previsione eccessiva. *Impostando il peso (thm) della funzione wQl, è possibile incorporare automaticamente diverse penalità in caso di previsione insufficiente e eccessiva.*
La funzione di perdita viene calcolata come segue.
![\[Mathematical equation for weighted quantile loss function with tau parameter.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/metrics-quantile-loss.png)
Dove:
*□* - un quantile nell'insieme \$10,01, 0,02,..., 0,99\$1
q i,t (□) - il τ-quantile previsto dal modello.
y i,t - il valore osservato nel punto (i, t)
I quantili (□) per wQl possono variare da 0,01 (P1) a 0,99 (P99). La metrica wQl non può essere calcolata per la previsione media.
Per impostazione predefinita, Forecast calcola wQl a `0.1` (P10), `0.5` (P50) e `0.9` (P90).
+ **P10 (0.1)**: il valore reale dovrebbe essere inferiore al valore previsto il 10% delle volte.
+ **P50 (0,5)** - Il valore reale dovrebbe essere inferiore al valore previsto il 50% delle volte. Questa è anche nota come previsione mediana.
+ **P90 (0,9)** - Il valore reale dovrebbe essere inferiore al valore previsto il 90% delle volte.
*Nel settore della vendita al dettaglio, il costo della sottocategoria è spesso superiore al costo dell'eccesso di scorte, per cui una previsione a P75 (= 0,75) può essere più informativa rispetto alla previsione al quantile mediano (P50).* In questi casi, wQl [0,75] assegna un peso di penalità maggiore alla sottoprevisione (0,75) e un peso di penalità inferiore alla sovraprevisione (0,25).
![\[Two probability distribution curves showing demand forecasting at P50 and P75 quantiles.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/p50-p75-prediction.jpg)
La figura precedente mostra le diverse previsioni della domanda per wQl [0,50] e wQl [0,75]. Il valore previsto a P75 è significativamente superiore al valore previsto a P50 perché si prevede che la previsione P75 soddisfi la domanda il 75% delle volte, mentre la previsione P50 dovrebbe soddisfare la domanda solo il 50% delle volte.
Quando la somma dei valori osservati su tutti gli elementi e i punti temporali è approssimativamente zero in una determinata finestra di backtest, l'espressione della perdita quantile ponderata non è definita. In questi casi, Forecast restituisce la perdita quantile non ponderata, che è il numeratore nell'espressione wQl.
Forecast calcola anche il wQl medio, che è il valore medio delle perdite quantili ponderate su tutti i quantili specificati. Per impostazione predefinita, questa sarà la media di wQl [0,10], wQl [0,50] e wQl [0,90].
## Errore percentuale assoluto ponderato (WAPE)
L'errore percentuale assoluto ponderato (WAPE) misura la deviazione complessiva dei valori previsti dai valori osservati. Il WAPE viene calcolato prendendo la somma dei valori osservati e la somma dei valori previsti e calcolando l'errore tra questi due valori. Un valore più basso indica un modello più accurato.
Quando la somma dei valori osservati per tutti i punti temporali e tutti gli elementi è approssimativamente zero in una determinata finestra di backtest, l'espressione di errore percentuale assoluta ponderata non è definita. In questi casi, Forecast restituisce la somma degli errori assoluti non ponderati, che è il numeratore nell'espressione WAPE.
![\[Mathematical formula for WAPE showing summation of absolute differences divided by sum of absolute values.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/WAPE.png)
Dove:
y i,t - il valore osservato nel punto (i, t)
i,t- il valore previsto nel punto (i, t)
Forecast utilizza la previsione media come valore previsto,. i,t
WAPE è più resistente ai valori anomali rispetto a Root Mean Square Error (RMSE) perché utilizza l'errore assoluto anziché l'errore quadratico.
Amazon Forecast si riferiva in precedenza alla metrica WAPE come Mean Absolute Percentage Error (MAPE) e utilizzava la previsione mediana (P50) come valore previsto. Forecast ora utilizza la previsione media per calcolare WAPE. La metrica wQl [0,5] è equivalente alla metrica WAPE [mediana], come illustrato di seguito:
![\[Mathematical equation showing the equivalence of wQL[0.5] and WAPE[median] metrics.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/wql-to-wape.PNG)
## Root Mean Square Error (RMSE)
Il Root Mean Square Error (RMSE) è la radice quadrata della media degli errori quadratici ed è quindi più sensibile ai valori anomali rispetto ad altre metriche di precisione. Un valore più basso indica un modello più accurato.
![\[Mathematical formula for Root Mean Square Error (RMSE) with summation and square root.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/metrics-rmse.png)
Dove:
y i,t - il valore osservato nel punto (i, t)
i,t- il valore previsto nel punto (i, t)
nT: il numero di punti dati in un set di test
Forecast utilizza la previsione media come valore previsto,. i,t Nel calcolo delle metriche predittive, nT è il numero di punti dati in una finestra di backtest.
RMSE utilizza il valore quadrato dei residui, che amplifica l'impatto dei valori anomali. Nei casi d'uso in cui solo poche previsioni errate di grandi dimensioni possono rivelarsi molto costose, l'RMSE è la metrica più pertinente.
Per impostazione predefinita, i predittori creati prima dell'11 novembre 2020 hanno calcolato l'RMSE utilizzando il quantile 0,5 (P50). Forecast ora utilizza la previsione media.
## Errore percentuale assoluto medio (MAPE)
L'errore percentuale assoluto medio (MAPE) calcola il valore assoluto dell'errore percentuale tra i valori osservati e quelli previsti per ogni unità di tempo, quindi calcola la media di tali valori. Un valore più basso indica un modello più accurato.
![\[Mathematical formula for Mean Absolute Percentage Error (MAPE) calculation.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/mape.png)
Dove:
*A t - il valore osservato nel punto t*
*F t - il valore previsto nel punto t*
n - il numero di punti dati nella serie temporale
Forecast utilizza la previsione media come valore previsto, F. t
MAPE è utile nei casi in cui i valori differiscono in modo significativo tra i punti temporali e gli outlier hanno un impatto significativo.
## Errore scalato assoluto medio (MASE)
L'errore scalabile assoluto medio (MASE) viene calcolato dividendo l'errore medio per un fattore di scala. Questo fattore di scala dipende dal valore di stagionalità, *m*, selezionato in base alla frequenza della previsione. Un valore più basso indica un modello più accurato.
![\[Mathematical formula for Mean Absolute Scaled Error (MASE) with summation and absolute value notations.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/mase.png)
Dove:
*Y t - il valore osservato nel punto t*
Y t-m - il valore osservato nel punto *t-m*
e j - l'errore nel punto *j* (valore osservato - valore previsto)
m - il valore della stagionalità
Forecast utilizza la previsione media come valore previsto.
MASE è ideale per set di dati di natura ciclica o con proprietà stagionali. Ad esempio, la previsione degli articoli che sono molto richiesti durante l'estate e scarsamente richiesti durante gli inverni può trarre vantaggio dalla considerazione dell'impatto stagionale.
## Esportazione delle metriche di precisione
**Nota**
I file di esportazione possono restituire direttamente le informazioni dall'importazione del set di dati. Ciò rende i file vulnerabili all'iniezione di file CSV se i dati importati contengono formule o comandi. Per questo motivo, i file esportati possono richiedere avvisi di sicurezza. Per evitare attività dannose, disattivate i link e le macro durante la lettura dei file esportati.
Forecast consente di esportare i valori previsti e le metriche di precisione generate durante il backtest.
Puoi utilizzare queste esportazioni per valutare elementi specifici in momenti e quantili specifici e comprendere meglio il tuo predittore. Le esportazioni backtest vengono inviate a una posizione S3 specificata e contengono due cartelle:
+ **valori previsti**: contiene file CSV o Parquet con valori previsti per ogni tipo di previsione per ogni backtest.
+ **accuracy-metrics-values**: Contiene file CSV o Parquet con metriche per ogni backtest, oltre alla media di tutti i backtest. Queste metriche includono wQl per ogni quantile, Average wQl, RMSE, MASE, MAPE e WAPE.
La `forecasted-values` cartella contiene i valori previsti per ogni tipo di previsione per ogni finestra di backtest. Include anche informazioni sull'elemento IDs, le dimensioni, i timestamp, i valori target e gli orari di inizio e fine della finestra di backtest.
La `accuracy-metrics-values` cartella contiene le metriche di precisione per ogni finestra di backtest, nonché le metriche medie di tutte le finestre di backtest. Contiene le metriche wQl per ogni quantile specificato, oltre alle metriche Average wQl, RMSE, MASE, MAPE e WAPE.
I file all'interno di entrambe le cartelle seguono la convenzione di denominazione:. `__.csv`
Puoi esportare i parametri di precisione utilizzando l'Amazon Forecast Software Development Kit (SDK) e la console Amazon Forecast.
------
#### [ Forecast SDK ]
Utilizzando l'[`CreatePredictorBacktestExportJob`](API_CreatePredictorBacktestExportJob.md)operazione, specifica la posizione S3 e il ruolo IAM nell'[`DataDestination`](API_DataDestination.md)oggetto, insieme a and. `PredictorArn` `PredictorBacktestExportJobName`
Per esempio:
```
{
"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 ]
Scegli il tuo predittore nella pagina **Predittori**. **Nella sezione **Metriche Predictor**, scegli Esporta i risultati del backtest.**
Durante la fase di **esportazione Create predictor backtest**, imposta i campi **Export name**, **IAM Role** e **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/it_it/forecast/latest/dg/images/console-export-screen.PNG)
------
## Scelta dei tipi di Forecast
Amazon Forecast utilizza i tipi di previsione per creare previsioni e valutare i predittori. I tipi di Forecast si presentano in due forme:
+ **Tipo di previsione media**: una previsione che utilizza la media come valore atteso. In genere viene utilizzata come previsione puntuale per un determinato punto temporale.
+ **Tipo di previsione quantile**: una previsione in base a un quantile specificato. In genere viene utilizzato per fornire un intervallo di previsione, che è un intervallo di valori possibili per tenere conto dell'incertezza delle previsioni. Ad esempio, una previsione al `0.65` quantile stimerà un valore inferiore al valore osservato il 65% delle volte.
Per impostazione predefinita, Forecast utilizza i seguenti valori per i tipi di previsione predittiva: `0.1` (P10), `0.5` (P50) e `0.9` (P90). Puoi scegliere fino a cinque tipi di previsione personalizzati, inclusi `mean` quantili che vanno da `0.01` (P1) a (P99). `0.99`
I quantili possono fornire un limite superiore e inferiore per le previsioni. Ad esempio, l'utilizzo dei tipi di previsione `0.1` (P10) e `0.9` (P90) fornisce un intervallo di valori noto come intervallo di confidenza dell'80%. Il valore osservato dovrebbe essere inferiore al valore P10 il 10% delle volte e il valore P90 dovrebbe essere superiore al valore osservato il 90% delle volte. Generando previsioni a p10 e P90, puoi aspettarti che il valore reale rientri tra questi limiti l'80% delle volte. Questo intervallo di valori è rappresentato dalla regione ombreggiata tra P10 e P90 nella figura seguente.
![\[Graph showing forecast quantiles with P99, P90, P50, P10, and P1 lines over time.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/quantiles-intervals.png)
È inoltre possibile utilizzare una previsione quantile come previsione puntuale quando il costo della sottoprevisione è diverso dal costo della previsione eccessiva. Ad esempio, in alcuni casi di vendita al dettaglio, il costo dell'essere sottoscorte è superiore al costo di un eccesso di scorte. In questi casi, la previsione a 0,65 (P65) è più informativa rispetto alla mediana (P50) o alla previsione media.
Durante la formazione di un predittore, puoi scegliere tipi di previsione personalizzati utilizzando l'Amazon Forecast Software Development Kit (SDK) e la console Amazon Forecast.
------
#### [ Forecast SDK ]
Utilizzando l'[`CreateAutoPredictor`](API_CreateAutoPredictor.md)operazione, specifica i tipi di previsione personalizzati nel `ForecastTypes` parametro. Formattate il parametro come matrice di stringhe.
Ad esempio, per creare un predittore per i tipi `0.01``mean`,`0.65`, e `0.99` forecast, utilizzate il codice seguente.
```
{
"ForecastTypes": [ "0.01", "mean", "0.65", "0.99" ],
},
```
------
#### [ Forecast Console ]
Durante la fase **Train Predictor**, specifica i tipi di previsione personalizzati nel campo **Forecast types**. Scegli **Aggiungi nuovo tipo di previsione** e inserisci un valore per il tipo di previsione.
Ad esempio, per creare un predittore utilizzando i tipi`0.01`, `mean``0.65`, e `0.99` forecast, inserisci i seguenti valori nei campi **Forecast types mostrati di** seguito.
![\[Form for entering forecast types with fields for type names and quantile values between .01 and .99.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/predictor-custom-quantiles.png)
------
## Lavorare con i predittori precedenti
### Impostazione dei parametri di backtesting
Forecast utilizza il backtesting per calcolare le metriche di precisione. Se esegui più backtest, Forecast calcola la media di ogni metrica su tutte le finestre di backtest. Per impostazione predefinita, Forecast calcola un backtest, con la dimensione della finestra di backtest (set di test) uguale alla lunghezza dell'orizzonte di previsione (finestra di previsione). È possibile impostare sia la *lunghezza della finestra di backtest* che il *numero di scenari di backtest durante l'addestramento di un predittore*.
Forecast omette i valori riempiti dal processo di backtest e qualsiasi elemento con valori riempiti all'interno di una determinata finestra di backtest verrà escluso da tale backtest. Questo perché Forecast confronta solo i valori previsti con i valori osservati durante il backtest e i valori riempiti non sono valori osservati.
La finestra di backtest deve essere grande almeno quanto l'orizzonte di previsione e inferiore alla metà della lunghezza dell'intero set di dati della serie temporale di destinazione. Puoi scegliere tra 1 e 5 backtest.
![\[Graph showing training and testing periods for four backtest scenarios over time.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/evaluation-backtests.png)
In genere, l'aumento del numero di backtest produce metriche di precisione più affidabili, poiché durante i test viene utilizzata una parte più ampia delle serie temporali e Forecast è in grado di calcolare una media delle metriche di tutti i backtest.
Puoi impostare i parametri di backtest utilizzando l'Amazon Forecast Software Development Kit (SDK) e la console Amazon Forecast.
------
#### [ Forecast SDK ]
Utilizzando l'[CreatePredictor](API_CreatePredictor.md)operazione, imposta i parametri di backtest nel tipo di dati. [EvaluationParameters](API_EvaluationParameters.md) Specificate la durata del test impostato durante il backtest con il `BackTestWindowOffset` parametro e il numero di finestre di backtest con il parametro. `NumberOfBacktestWindows`
Ad esempio, per eseguire 2 backtest con un set di test di 10 punti temporali, usa il codice seguente.
```
"EvaluationParameters": {
"BackTestWindowOffset": 10,
"NumberOfBacktestWindows": 2
}
```
------
#### [ Forecast Console ]
**Durante la fase **Train Predictor**, imposta la durata del test impostata durante il backtest con il campo **Backtest window offset** e il numero di finestre di backtest con il campo Numero di finestre di backtest.**
Ad esempio, per eseguire 2 backtest con un set di test di 10 punti temporali, imposta i seguenti valori.
![\[Input fields for number of backtest windows and backtest window offset with example values.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/predictor-backtest-windows.png)
------
### HPO e AutoML
Per impostazione predefinita, Amazon Forecast utilizza i quantili `0.1` (P10), `0.5` (P50) e `0.9` (P90) per l'ottimizzazione degli iperparametri durante l'ottimizzazione degli iperparametri (HPO) e per la selezione del modello durante AutoML. Se si specificano tipi di previsione personalizzati durante la creazione di un predittore, Forecast utilizza tali tipi di previsione durante HPO e AutoML.
Se vengono specificati tipi di previsione personalizzati, Forecast utilizza tali tipi di previsione specificati per determinare i risultati ottimali durante HPO e AutoML. Durante HPO, Forecast utilizza la prima finestra di backtest per trovare i valori ottimali degli iperparametri. Durante AutoML, Forecast utilizza le medie di tutte le finestre di backtest e i valori ottimali degli iperparametri di HPO per trovare l'algoritmo ottimale.
Sia per AutoML che per HPO, Forecast sceglie l'opzione che riduce al minimo le perdite medie rispetto ai tipi di previsione. Puoi anche ottimizzare il tuo predittore durante AutoML e HPO con una delle seguenti metriche di precisione: perdita quantile ponderata media (wQL media), errore percentuale assoluto ponderato (WAPE), errore quadratico medio (RMSE), errore percentuale assoluto medio (MAPE) o errore medio assoluto scalato (MASE).
Puoi scegliere una metrica di ottimizzazione utilizzando l'Amazon Forecast Software Development Kit (SDK) e la console Amazon Forecast.
------
#### [ Forecast SDK ]
Utilizzando l'[`CreatePredictor`](API_CreatePredictor.md)operazione, specifica i tipi di previsione personalizzati nel `ObjectiveMetric` parametro.
Il `ObjectiveMetric` parametro accetta i seguenti valori:
+ `AverageWeightedQuantileLoss`- Perdita quantilica ponderata media
+ `WAPE`- Errore percentuale assoluto ponderato
+ `RMSE`- Errore quadratico medio
+ `MAPE`- Errore percentuale assoluto medio
+ `MASE`- Errore scalato assoluto medio
Ad esempio, per creare un predittore con AutoML e ottimizzarlo utilizzando la metrica di precisione Mean Absolute Scaled Error (MASE), usa il codice seguente.
```
{
...
"PerformAutoML": "true",
...
"ObjectiveMetric": "MASE",
},
```
------
#### [ Forecast Console ]
Durante la fase **Train Predictor**, scegli **Automatico (AutoML)**. Nella sezione Metrica **oggettiva, scegli la metrica** di precisione da utilizzare per ottimizzare il tuo predittore.
Ad esempio, l'immagine seguente mostra un predittore creato con AutoML e ottimizzato utilizzando la metrica di precisione Mean Absolute Scaled Error (MASE).
Quando si utilizza la console, è possibile specificare la metrica Objective solo quando si crea un predittore utilizzando AutoML. Se si seleziona manualmente un algoritmo, non è possibile specificare la metrica Objective per HPO.
------
# Predittori di riqualificazione
**Nota**
La riqualificazione è disponibile solo per i predittori creati con (). AutoPredictor [`CreateAutoPredictor`](API_CreateAutoPredictor.md) È possibile aggiornare i predittori esistenti a. AutoPredictor Per informazioni, consulta [Aggiornamento a AutoPredictor](howitworks-predictor.md#upgrading-autopredictor).
I predittori possono essere conservati con set di dati aggiornati per mantenere aggiornati i predittori. Durante la riqualificazione di un predittore, Amazon Forecast mantiene le stesse impostazioni di configurazione del predittore. Dopo la riqualificazione, il predittore originale rimarrà attivo e il predittore riaddestrato avrà un Predictor ARN separato.
La riqualificazione di un predittore può migliorare la precisione delle previsioni in due modi:
1. **Dati più aggiornati**: il tuo predittore riaddestrato incorporerà più up-to-date dati durante l'addestramento di un modello.
1. **Miglioramenti ai predittori**: il tuo predittore riaddestrato incorporerà eventuali aggiornamenti e miglioramenti negli algoritmi di Amazon Forecast e nei set di dati aggiuntivi.
La riqualificazione di un predittore può essere fino al 50% più veloce rispetto alla creazione di un nuovo predittore da zero. I tempi di addestramento dei predittori sono più rapidi e Forecast utilizza automaticamente le impostazioni di configurazione esistenti.
**Quaderni in Python**
[Per una step-by-step guida sulla riqualificazione dei predittori, vedi Riqualificare un predittore.](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/advanced/Retraining_AutoPredictor/Retraining.ipynb)
Puoi riaddestrare un predittore utilizzando il Software Development Kit (SDK) o la console Amazon Forecast.
------
#### [ Console ]
**Per riqualificare un predittore**
1. Accedi Console di gestione AWS e apri la console Amazon Forecast all'indirizzo [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Nel riquadro di navigazione, scegli **Predictors**.
1. Scegli il predittore da riqualificare.
1. **Nel menu a discesa **Azioni predittive**, scegli Riqualifica.**
1. Imposta un nome univoco per il predittore aggiornato.
1. Scegli **Retrain predictor**.
------
#### [ SDK ]
**Per riqualificare un predittore**
Utilizzando l'[`CreateAutoPredictor`](API_CreateAutoPredictor.md)operazione, assegnate al predittore un nome univoco e impostate il valore di al predittore che desiderate `ReferencePredictorArn` riaddestrare.
```
{
"PredictorName": "RetrainedPredictor",
"ReferencePredictorArn": "arn:aws:forecast:us-west-2:938097332257:predictor/OriginalPredictor"
}
```
Quando riaddestrate un predittore, assegnate valori solo ai parametri and. `PredictorName` `ReferencePredictorArn`
------
# Indice meteorologico
L'Amazon Forecast Weather Index è una funzionalità integrata che incorpora informazioni meteorologiche storiche e previste nel tuo modello. È particolarmente utile per i casi di utilizzo al dettaglio, in cui la temperatura e le precipitazioni possono influire in modo significativo sulla domanda di prodotti.
Quando il Weather Index è abilitato, Forecast applica la funzionalità meteorologica solo alle serie temporali in cui rileva miglioramenti nella precisione durante l'addestramento dei predittori. Se l'integrazione di una serie temporale con informazioni meteorologiche non migliora la precisione predittiva durante il backtest, Forecast non applica l'indice meteorologico a quella particolare serie temporale.
Per applicare l'indice meteorologico, è necessario includere un [attributo di geolocalizzazione](#adding-geolocation) nel set di dati delle serie temporali di destinazione e in tutti i set di dati delle serie temporali correlati. È inoltre necessario specificare i [fusi orari per i timestamp delle serie temporali](#specifying-timezones) di destinazione. [Per ulteriori informazioni sui requisiti dei set di dati, consulta Condizioni e restrizioni.](#weather-conditions-restrictions)
**Quaderni in Python**
Per una step-by-step guida sull'uso del Weather Index, consulta [NY Taxi: Amazon Forecast with Weather Index](https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks/advanced/Weather_index).
**Topics**
+ [Attivazione dell'indice meteorologico](#enabling-weather)
+ [Aggiungere informazioni di geolocalizzazione ai set di dati](#adding-geolocation)
+ [Specificare i fusi orari](#specifying-timezones)
+ [Condizioni e restrizioni](#weather-conditions-restrictions)
## Attivazione dell'indice meteorologico
L'indice meteorologico è abilitato durante la fase di addestramento dei predittori. Quando si utilizza l'[`CreateAutoPredictor`](API_CreateAutoPredictor.md)operazione, l'indice meteorologico è incluso nel tipo di [AdditionalDataset](API_AdditionalDataset.md)dati.
Prima di abilitare l'indice meteorologico, è necessario includere un attributo di geolocalizzazione nelle serie temporali di destinazione e nei relativi set di dati delle serie temporali e definire i fusi orari per i timestamp. [Per ulteriori informazioni, vedere [Aggiungere](#adding-geolocation) informazioni sulla geolocalizzazione e Specificare i fusi orari.](#specifying-timezones)
Puoi abilitare Weather Index utilizzando la console Forecast o il Forecast Software Development Kit (SDK).
------
#### [ Console ]
**Per abilitare l'indice meteorologico**
1. Accedi Console di gestione AWS e apri la console Amazon Forecast all'indirizzo [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Dai **gruppi di set** di dati, scegli il tuo gruppo di set di dati.
1. **Nel riquadro di navigazione, scegli Predittori.**
1. Scegli **Train new predictor**.
1. Scegli **Abilita indice meteorologico**.
------
#### [ SDK ]
**Per abilitare l'indice meteorologico**
Utilizzando l'[`CreateAutoPredictor`](API_CreateAutoPredictor.md)operazione, abilita l'indice meteorologico aggiungendo `"Name": "weather"` e `"Value": "true"` nel tipo di [AdditionalDataset](API_AdditionalDataset.md)dati.
```
"DataConfig": {
...
"AdditionalDatasets": [
...
{
"Name": "weather",
}
]
},
```
------
## Aggiungere informazioni di geolocalizzazione ai set di dati
Per utilizzare l'indice meteorologico, è necessario includere un attributo di geolocalizzazione per ogni elemento della serie temporale di destinazione e dei relativi set di dati delle serie temporali. L'attributo è definito con il tipo di `geolocation` attributo all'interno degli schemi del set di dati.
Tutti i valori di geolocalizzazione in un set di dati devono trovarsi esclusivamente all'interno di una singola regione. Le regioni sono: Stati Uniti (escluse Hawaii e Alaska), Canada, Sud America, America Centrale, Asia Pacifico, Europa, Africa e Medio Oriente.
Specificate l'attributo di geolocalizzazione in uno dei due formati seguenti:
+ **Latitudine e longitudine** (tutte le regioni): specifica la latitudine e la longitudine in formato decimale (esempio: 47.61\$1-122.33)
+ **Codice postale** (solo Stati Uniti): specifica il codice del paese (Stati Uniti), seguito dal codice postale a 5 cifre (esempio: US\$198121)
Il formato Latitude & Longitude è supportato per tutte le regioni. Il formato del codice postale è supportato solo per la regione degli Stati Uniti.
**Topics**
+ [Limiti di latitudine e longitudine](#geolocation-bounds)
+ [Inclusione della geolocalizzazione nello schema del set di dati](#geolocation-schema)
+ [Impostazione del formato di geolocalizzazione](#geolocation-format)
### Limiti di latitudine e longitudine
Di seguito sono riportati i limiti latitudinali e longitudinali per le regioni accettate:
------
#### [ US Region ]
**Limiti**: latitudine (24,6, 50,0), longitudine (-126,0, -66,4).
![\[Map of North America showing United States, parts of Canada and Mexico with major cities.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/weather-us-bounds.png)
------
#### [ Canada Region ]
**Limiti: latitudine (41,0**, 75,0), longitudine (-142,0, -52,0).
![\[Map showing northern Canada and parts of the US, highlighting territories and major cities.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/weather-can-bounds.PNG)
------
#### [ Europe Region ]
**Limiti**: latitudine (34,8, 71,8), longitudine (-12,6, 44,8).
![\[Map of Northern Europe and surrounding regions showing countries and major cities.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/weather-euro-bounds.png)
------
#### [ South America Region ]
**Limiti**: latitudine (-56,6, 14,0), longitudine (-82,4, -33,00).
![\[Map of South America showing countries, major cities, and Brazilian states.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/weather-sa-bounds.PNG)
------
#### [ Asia Pacific Region ]
**Limiti: latitudine (-47,8**, 55,0), longitudine (67,0, 180,60).
![\[Map showing East Asia, Southeast Asia, and Australia with country names and ocean labels.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/weather-apac-bounds.png)
------
#### [ Central America Region ]
**Limiti: latitudine (6,80**, 33,20), longitudine (-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/it_it/forecast/latest/dg/images/weather-ca-bounds.png)
------
#### [ Africa & Middle East Region ]
**Limiti**: latitudine (-35,60, 43,40), longitudine (-18,80, -58,20).
![\[Map showing North Africa, Middle East, and parts of Europe with country names and borders.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/weather-africa-bounds.png)
------
### Inclusione della geolocalizzazione nello schema del set di dati
Utilizzando la console o l'[CreateDataset](API_CreateDataset.md)operazione, definisci il tipo di attributo di posizione come «geolocalizzazione» all'interno dello schema JSON per la serie temporale di destinazione e qualsiasi serie temporale correlata. Gli attributi nello schema devono essere ordinati così come appaiono nei set di dati.
```
{
"Attributes":[
{
"AttributeName": "timestamp",
"AttributeType": "timestamp"
},
{
"AttributeName": "target_value",
"AttributeType": "float"
},
{
"AttributeName": "item_id",
"AttributeType": "string"
},
{
"AttributeName": "location",
"AttributeType": "geolocation"
}
]
}
```
### Impostazione del formato di geolocalizzazione
Il formato dell'attributo di geolocalizzazione può essere nel formato **Codice postale** o **Latitudine** e longitudine. È possibile impostare il formato di geolocalizzazione utilizzando la console Forecast o il Forecast Software Development Kit (SDK).
------
#### [ Console ]
**Per aggiungere un attributo di geolocalizzazione a un set di dati di serie temporali**
1. Accedi Console di gestione AWS e apri la console Amazon Forecast all'indirizzo [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Scegliere **Create dataset group (Crea gruppodi set di dati)**.
1. Nel **generatore di schemi**, imposta il tipo di **attributo** di geolocalizzazione su. `geolocation`
1. Nel menu a discesa **Formato di geolocalizzazione, scegli il formato della** tua posizione.
![\[Dataset details form with name, frequency, and schema builder for attribute specification.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/schema-builder-geolocation.png)
**Puoi anche definire gli attributi in formato JSON e selezionare un formato di posizione dal menu a discesa Formato di geolocalizzazione.**
------
#### [ SDK ]
**Per aggiungere un attributo di geolocalizzazione a un set di dati di serie temporali**
Utilizzando l'[ CreateDatasetImportJob](API_CreateDatasetImportJob.md)operazione, impostate il valore di `GeolocationFormat` su uno dei seguenti:
+ **Latitudine e longitudine** (tutte le regioni): `"LAT_LONG"`
+ **Codice postale** (solo USA): `"CC_POSTALCODE"`
Ad esempio, per specificare il formato di latitudine e longitudine, includi quanto segue nella `CreateDatasetImportJob` richiesta:
```
{
...
"GeolocationFormat": "LAT_LONG"
}
```
------
## Specificare i fusi orari
Puoi consentire ad Amazon Forecast di sincronizzare automaticamente le informazioni sul fuso orario con il tuo attributo di geolocalizzazione oppure puoi assegnare manualmente un singolo fuso orario all'intero set di dati.
**Topics**
+ [Sincronizza automaticamente i fusi orari con la geolocalizzazione](#timezones-automatic)
+ [Seleziona manualmente un singolo fuso orario](#timezones-manual)
### Sincronizza automaticamente i fusi orari con la geolocalizzazione
Questa opzione è ideale per set di dati che contengono timestamp in più fusi orari e tali timestamp sono espressi in ora locale. Forecast assegna un fuso orario per ogni elemento nel set di dati della serie temporale di destinazione in base all'attributo di geolocalizzazione dell'elemento.
Puoi sincronizzare automaticamente i tuoi timestamp con il tuo attributo di geolocalizzazione utilizzando la console Forecast o Forecast SDK.
------
#### [ Console ]
**Per sincronizzare i fusi orari con l'attributo di geolocalizzazione**
1. Accedi Console di gestione AWS e apri la console Amazon Forecast all'indirizzo [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Nel riquadro di navigazione, scegli **Crea gruppo di set** di dati.
1. Nei **dettagli di importazione del set** di dati, scegli **Sincronizza il fuso orario con** la posizione.
![\[Dataset import form with fields for name, time zone, S3 data location, and IAM role.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/sync-timezone-with-geolocation.PNG)
------
#### [ SDK ]
**Per sincronizzare i fusi orari con l'attributo di geolocalizzazione**
Utilizzando l'[ CreateDatasetImportJob](API_CreateDatasetImportJob.md)operazione, impostare su`"UseGeolocationForTimeZone"`. `"true"`
```
{
...
"UseGeolocationForTimeZone": "true"
}
```
------
### Seleziona manualmente un singolo fuso orario
**Nota**
Puoi selezionare manualmente un fuso orario al di fuori delle *aree geografiche degli Stati* *Uniti, Canada*, *Sud America**, America Centrale*, *Asia Pacifico**, Europa* e *Africa e Medio Oriente*. Tuttavia, tutti i valori di geolocalizzazione devono ancora rientrare in una di queste aree.
Questa opzione è ideale per set di dati con tutti i timestamp all'interno di un unico fuso orario o se tutti i timestamp sono normalizzati in un unico fuso orario. L'utilizzo di questa opzione applica lo stesso fuso orario a tutti gli elementi del set di dati.
L'indice meteorologico accetta i seguenti fusi orari:
**Regione degli Stati Uniti**
+ America/Los\$1Angeles
+ America/Phoenix
+ America/Denver
+ America/Chicago
+ America/New\$1York
**Regione Canada**
+ America/Vancouver
+ America/Edmonton
+ America/Regina
+ America/Winnipeg
+ America/Toronto
+ America/Halifax
+ America/St. Johns
**Regione Europa**
+ Europa/Londra
+ Europa/Parigi
+ Europa/Helsinki
**Regione Sud America**
+ America/Buenos\$1Aires
+ America/Noronha
+ America/Caracas
**Regione Asia-Pacifico**
+ Asia/Kabul
+ Asia/Karachi
+ Asia/Calcutta
+ Asia/Katmandu
+ Asia/Dacca
+ Asia/Rangoon
+ Asia/Bangkok
+ Asia/Singapore
+ Asia/Seul
+ Australia/Adelaide
+ Australia/Melbourne
+ Australia/Lord\$1Howe
+ Australia/Eucla
+ Pacifico/Norfolk
+ Pacifico/Auckland
**America Centrale**
+ America/Puerto\$1Rico
**Africa e Medio Oriente**
+ Africa/Nairobi
+ Asia/Teheran
+ Asia/Dubai
**Other (Altro)**
+ Pacifico/Midway
+ Pacifico/Honolulu
+ Pacifico/Marchesi
+ America/Anchorage
+ Atlantico/Capo Verde
+ Asia/Anadyr
+ Pacifico/Chatham
+ Pacifico/Enderbury
+ Pacifico/Kiritimati
Seleziona un fuso orario dall'elenco **Altro** se gli elementi del tuo set di dati si trovano all'interno di una delle regioni accettate, ma i timestamp sono standardizzati in base a un fuso orario esterno a tale regione.
[Per un elenco completo dei nomi di fusi orari validi, consulta la libreria Joda-Time.](http://joda-time.sourceforge.net/timezones.html)
Puoi impostare manualmente un fuso orario per i tuoi set di dati utilizzando la console Forecast o Forecast SDK.
------
#### [ Console ]
**Per selezionare un singolo fuso orario per il set di dati**
1. Accedi Console di gestione AWS e apri la console Amazon Forecast all'indirizzo [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Nel riquadro di navigazione, scegli **Crea gruppo di set** di dati.
1. Nei **dettagli di importazione del set di dati**, scegli **Seleziona fuso orario.**
Ad esempio, usa quanto segue per applicare l'ora di Los Angeles (Pacific Standard Time) ai tuoi set di dati.
![\[Dataset import form with fields for name, time zone, data location, and IAM role.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/select-timezone.PNG)
------
#### [ SDK ]
**Per selezionare un singolo fuso orario per il set di dati**
Utilizzando l'[ CreateDatasetImportJob](API_CreateDatasetImportJob.md)operazione, imposta `"TimeZone"` un fuso orario valido.
Ad esempio, usa quanto segue per applicare l'ora di Los Angeles (Pacific Standard Time) ai tuoi set di dati.
```
{
...
"TimeZone": "America/Los_Angeles"
}
```
------
## Condizioni e restrizioni
Le seguenti condizioni e restrizioni si applicano all'utilizzo del Weather Index:
+ **Algoritmi disponibili**: se si utilizza un predittore legacy, l'indice meteorologico può essere abilitato quando si addestra un predittore con gli algoritmi CNN-QR, DeepAr\$1 e Prophet. L'indice meteorologico non viene applicato ad ARIMA, ETS e NPTS.
+ **Frequenza delle previsioni**: le frequenze di previsione valide sono `Minutely``Hourly`, e`Daily`.
+ **Orizzonte** di previsione: l'orizzonte di previsione non può estendersi oltre 14 giorni nel futuro. Per i limiti dell'orizzonte di previsione per ogni frequenza di previsione, consulta l'elenco seguente:
+ `1 minute`- 500
+ `5 minutes`- 500
+ `10 minutes`- 500
+ `15 minutes`- 500
+ `Hourly`- 330
+ `Daily`- 14
+ **Lunghezza delle serie temporali**: quando si addestra un modello con Weather Index, Forecast tronca tutti i set di dati delle serie temporali con timestamp precedenti alla data di inizio della funzionalità del set di dati Forecast Weather. La funzionalità del set di dati meteo Forecast contiene le seguenti date di inizio:
+ **Regione degli Stati Uniti**: 2 luglio 2018
+ **Regione Europa**: 2 luglio 2018
+ **Regione Asia-Pacifico**: 2 luglio 2018
+ **Regione Canada**: 2 luglio 2019
+ **Regione Sud America**: 2 gennaio 2020
+ **Regione America Centrale**: 2 settembre 2020
+ **Regione Africa e Medio Oriente**: 25 marzo 2021
Con l'indice meteorologico abilitato, i punti dati con timestamp antecedenti alla data di inizio non verranno utilizzati durante l'addestramento dei predittori.
+ **Numero di posizioni**: il set di dati della serie temporale di destinazione non può superare 2000 posizioni uniche.
+ Limiti **regionali:** tutti gli elementi nei set di dati devono trovarsi all'interno di un'unica regione.
+ **Lunghezza minima delle serie temporali**: a causa dei requisiti di dati aggiuntivi necessari per il test dell'indice meteorologico, la lunghezza minima per un set di dati di serie temporali è:
`3 × ForecastHorizon + (BacktestWindows + 1) × BacktestWindowOffset`
Se i set di dati delle serie temporali non soddisfano questo requisito, valuta la possibilità di ridurre quanto segue:
+ `ForecastHorizon`- Abbreviate l'orizzonte di previsione.
+ `BacktestWindowOffset`- Riduci la durata del set di test durante il backtest.
+ `BacktestWindows`- Riduci il numero di backtest.
# Caratterizzazione delle festività
Holidays è una funzionalità integrata che incorpora nel tuo modello un set di dati progettato con funzionalità di informazioni sulle festività nazionali. Fornisce supporto nativo per i calendari delle festività di oltre 250 paesi. Amazon Forecast incorpora sia la [libreria Holiday API che l'API](https://holidayapi.com/countries) [Jollyday](https://jollyday.sourceforge.net/data.html) per generare calendari delle festività.
La funzionalità Holidays è particolarmente utile nel settore della vendita al dettaglio, dove i giorni festivi possono influire in modo significativo sulla domanda.
La funzionalità Holiday supporta una frequenza di previsione minima di 5 minuti e un massimo di 1 mese.
**Topics**
+ [Attivazione della funzionalità Holidays](#enabling-holidays)
+ [Codice del paese](#holidays-country-codes)
+ [Calendari festivi aggiuntivi](#holiday-calendars)
## Attivazione della funzionalità Holidays
La funzionalità Holidays è inclusa in Amazon Forecast come [set di dati aggiuntivo](API_AdditionalDataset.md) e viene abilitata prima dell'addestramento di un predittore. È consigliabile che i dati storici contengano almeno due anni di dati. Ciò consente a Forecast di identificare i modelli di domanda associati a festività specifiche. Dopo aver scelto un paese, Holidays applica il calendario delle festività di quel paese a ogni elemento del set di dati durante l'allenamento.
Puoi abilitare Holidays utilizzando la console Amazon Forecast o il Forecast Software Development Kit (SDK).
------
#### [ Forecast SDK ]
Utilizzando l'[`CreateAutoPredictor`](API_CreateAutoPredictor.md)operazione, abilita Holidays aggiungendo `"Name": "holiday` "e impostando `"Configuration"` per mappare `"CountryCode"` un codice del paese di due lettere. Per informazioni, consulta [Codice del paese](#holidays-country-codes).
Ad esempio, per includere il calendario delle festività negli Stati Uniti, usa il codice seguente.
```
"DataConfig": {
"AdditionalDatasets": [
{
"Name": "holiday",
"Configuration": {
"CountryCode" : ["US"]
}
},
]
},
```
------
#### [ Forecast Console ]
Scegli un paese dal menu a discesa **Paese per le vacanze** durante la fase **Train Predictor**.
![\[Toggle switch to activate holidays and dropdown menu to select a country for forecast accuracy.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/holidays-dropdown-2.png)
------
## Codice del paese
Amazon Forecast fornisce supporto nativo per i calendari delle festività nazionali dei seguenti paesi. Usa il **codice del paese** quando specifichi un paese con l'API.
**Paesi supportati**
| Paese | Codice del paese |
| --- | --- |
| Afghanistan | AF |
| Isole Åland | AX |
| Albania | AL |
| Algeria | DZ |
| Samoa americane | AS |
| Andorra | AD |
| Angola | AO |
| Anguilla | AI |
| Antartide | AQ |
| Antigua e Barbuda | AG |
| Argentina | AR |
| Armenia | AM |
| Aruba | AW |
| Australia | AU |
| Austria | AT |
| Azerbaigian | AZ |
| Bahamas | BS |
| Bahrein | BH |
| Bangladesh | BD |
| Barbados | BB |
| Bielorussia | BY |
| Belgio | BE |
| Belize | BZ |
| Benin | BJ |
| Bermuda | BM |
| Bhutan | BT |
| Bolivia | BO |
| Bosnia ed Erzegovina | BA |
| Botswana | BW |
| Isola Bouvet | BV |
| Brasile | BR |
| Territorio britannico dell'Oceano Indiano | IO |
| Isole Vergini britanniche | VG |
| Brunei Darussalam | BN |
| Bulgaria | BG |
| Burkina Faso | BF |
| Burundi | BI |
| Cambogia | KH |
| Camerun | CM |
| Canada | CA |
| Capo Verde | CV |
| Paesi Bassi caraibici | BQ |
| Isole Cayman | KY |
| Repubblica Centrafricana | CF |
| Ciad | TD |
| Cile | CL |
| Cina | CN |
| Isola di Natale | CX |
| Isole Cocos (Keeling) | CC |
| Colombia | CO |
| Comore | KM |
| Isole Cook | CK |
| Costa Rica | CR |
| Croazia | HR |
| Cuba | CU |
| Curacao | CW |
| Cipro | CY |
| Cechia | CZ |
| Repubblica Democratica del Congo | CD |
| Danimarca | DK |
| Gibuti | DJ |
| Dominica | DM |
| Repubblica Dominicana | DO |
| Ecuador | EC |
| Egitto | EG |
| El Salvador | SV |
| Guinea Equatoriale | GQ |
| Eritrea | ER |
| Estonia | EE |
| Eswatini | SZ |
| Etiopia | ET |
| Isole Falkland | FK |
| Isole Fær Øer | FO |
| Figi | FJ |
| Finlandia | FI |
| Francia | FR |
| Guyana francese | GF |
| Polinesia francese | PF |
| Territori meridionali francesi | TF |
| Gabon | GA |
| Gambia | GM |
| Georgia | GE |
| Germania | DE |
| Ghana | GH |
| Gibilterra | GI |
| Grecia | GR |
| Groenlandia | GL |
| Grenada | GD |
| Guadalupa | GP |
| Guam | GU |
| Guatemala | GT |
| Guernsey | GG |
| Guinea | GN |
| Guinea-Bissau | GW |
| Guyana | GY |
| Haiti | HT |
| Isola e McDonald isole Heard | HM |
| Honduras | HN |
| Hong Kong | HK |
| Ungheria | HU |
| Islanda | IS |
| India | IN |
| Indonesia | ID |
| Iran | IR |
| Iraq | IQ |
| Irlanda | IE |
| Isola di Man | IM |
| Israele | IL |
| Italia | IT |
| Costa d'Avorio | CI |
| Giamaica | JM |
| Giappone | JP |
| Jersey | JE |
| Giordania | JO |
| Kazakistan | KZ |
| Kenya | KE |
| Kiribati | KI |
| Kosovo | XK |
| Kuwait | KW |
| Kirghizistan | KG |
| Laos | LA |
| Lettonia | LV |
| Libano | LB |
| Lesotho | LS |
| Liberia | LR |
| Libia | LY |
| Liechtenstein | LI |
| Lituania | LT |
| Lussemburgo | LU |
| Macao | MO |
| Madagascar | MG |
| Malawi | MW |
| Malesia | MY |
| Maldive | MV |
| Mali | ML |
| Malta | MT |
| Isole Marshall | MH |
| Martinica | MQ |
| Mauritania | MR |
| Mauritius | MU |
| Mayotte | YT |
| Messico | MX |
| Micronesia | FM |
| Moldavia | MD |
| Monaco | MC |
| Mongolia | MN |
| Montenegro | ME |
| Montserrat | MS |
| Marocco | MA |
| Mozambico | MZ |
| Birmania | MM |
| Namibia | NA |
| Nauru | NR |
| Nepal | NP |
| Paesi Bassi | NL |
| Nuova Caledonia | NC |
| Nuova Zelanda | NZ |
| Nicaragua | NI |
| Niger | NE |
| Nigeria | NG |
| Niue | NU |
| Isola di Norfolk | NF |
| Corea del Nord | KP |
| Nrd Macedonia del Nord | MK |
| Isole Marianne Settentrionali | MP |
| Norvegia | NO |
| Oman | OM |
| Pakistan | PK |
| Palau | PW |
| Palestina | PS |
| Panama | PA |
| Papua Nuova Guinea | PG |
| Paraguay | PY |
| Perù | PE |
| Filippine | PH |
| Isole Pitcairn | PN |
| Polonia | PL |
| Portogallo | PT |
| Porto Rico | PR |
| Qatar | QA |
| Repubblica del Congo | CG |
| Riunione | RE |
| Romania | RO |
| Federazione Russa | RU |
| Ruanda | RW |
| Saint Barthélemy | BL |
| “Sant'Elena, Ascensione e Tristan da Cunha” | SH |
| Saint Kitts e Nevis | KN |
| Santa Lucia | LC |
| Saint MartinSan Martino | MF |
| Saint Pierre e Miquelon | PM |
| Saint Vincent e Grenadine | VC |
| Samoa | WS |
| San Marino | SM |
| São Tomé e Príncipe | ST |
| Arabia Saudita | SA |
| Senegal | SN |
| Serbia | RS |
| Seychelles | SC |
| Sierra Leone | SL |
| Singapore | SG |
| Saint-Martin | SX |
| Slovacchia | SK |
| Slovenia | SI |
| Isole Salomone | SB |
| Somalia | SO |
| Sudafrica | ZA |
| Georgia del Sud e isole Sandwich meridionali | GS |
| Corea del Sud | KR |
| Sudan del Sud | SS |
| Spagna | ES |
| Sri Lanka | LK |
| Sudan | SD |
| Suriname | SR |
| Svalbard e Jan Mayen | SJ |
| Svezia | SE |
| Svizzera | CH |
| Siria, Repubblica araba | SY |
| Taiwan | TW |
| Tagikistan | TJ |
| Tanzania | TZ |
| Tailandia | TH |
| Timor Est | TL |
| Togo | TG |
| Tokelau | TK |
| Tonga | TO |
| Trinidad e Tobago | TT |
| Tunisia | TN |
| Turchia | TR |
| Turkmenistan | TM |
| Turks e Caicos | TC |
| Tuvalu | TV |
| Uganda | UG |
| Ucraina | UA |
| Emirati Arabi Uniti | AE |
| Regno Unito | GB |
| Nazioni Unite | UN |
| Stati Uniti | US |
| Isole minori periferiche degli Stati Uniti | UM |
| Isole Vergini Stati Uniti | VI |
| Uruguay | UY |
| Uzbekistan | UZ |
| Vanuatu | VU |
| Città del Vaticano | VA |
| Venezuela | VE |
| Vietnam | VN |
| Wallis e Futuna | WF |
| Sahara occidentale | EH |
| Yemen | YE |
| Zambia | ZM |
| Zimbabwe | ZW |
## Calendari festivi aggiuntivi
Amazon Forecast supporta anche le festività per India, Corea ed Emirati Arabi Uniti. Le loro festività sono elencate di seguito.
------
#### [ India - "IN" ]
26 gennaio - Festa della Repubblica
15 agosto - Festa dell'Indipendenza
2 ottobre - Gandhi Jayanti
------
#### [ Korea - "KR" ]
1 gennaio - Capodanno
1 marzo - Festa del Movimento per l'Indipendenza
5 maggio - Festa dei bambini
6 giugno - Giorno della Memoria
15 agosto - Festa della liberazione
3 ottobre - Giornata nazionale della fondazione
9 ottobre - Hangul Day
25 dicembre - Natale
------
#### [ United Arab Emirates - "AE" ]
1 gennaio - Capodanno
1 dicembre - Giorno della commemorazione
2-3 dicembre - Festa nazionale
Ramadan\$1
Eid al-Fitr\$1
Eid al-Adha\$1
Capodanno islamico\$1
\$1Le festività islamiche sono determinate dai cicli lunari.
------
# Spiegabilità dei predittori
Predictor Explainability ti aiuta a capire meglio in che modo gli attributi dei tuoi set di dati influiscono sulla variabile target. Forecast utilizza una metrica chiamata Impact score per quantificare l'impatto relativo di ogni attributo e determinare se aumenta o diminuisce i valori di previsione.
Ad esempio, si consideri uno scenario di previsione in cui l'obiettivo è `sales` e vi sono due attributi correlati: `price` e `color` Forecast può rilevare che il prezzo di un articolo influisce in modo significativo sulle vendite (punteggio di impatto elevato), mentre il colore dell'articolo ha un effetto trascurabile (punteggio di impatto basso).
Per abilitare Predictor Explainability, il tuo predittore deve includere almeno uno dei seguenti elementi: serie temporali correlate, metadati degli articoli o set di dati aggiuntivi come Holidays e Weather Index. Per ulteriori informazioni, consulta [Restrizioni e procedure consigliate](#predictor-explainability-best-practices).
Per creare punteggi di impatto per serie temporali e punti temporali specifici, usa Forecast Explainability anziché Predictor Explainability. Vedi [Forecast Explainability](forecast-explainability.md).
**Topics**
+ [Interpretazione dei punteggi di impatto](#predictor-explainability-impact-scores)
+ [Creazione di Predictor Explainability](#creating-predictor-explainability)
+ [Esportazione della spiegabilità di Predictor](#exporting-predictor-explainability)
+ [Restrizioni e procedure consigliate](#predictor-explainability-best-practices)
## Interpretazione dei punteggi di impatto
I punteggi di impatto misurano l'impatto relativo degli attributi sui valori di previsione. Ad esempio, se l'attributo «price» ha un punteggio di impatto due volte più grande dell'attributo «store location», puoi concludere che il prezzo di un articolo ha un impatto doppio sui valori di previsione rispetto all'ubicazione del negozio.
I punteggi di impatto forniscono anche informazioni sul fatto che gli attributi aumentino o diminuiscano i valori di previsione. Nella console, questo è indicato dai due grafici. Gli attributi con barre blu aumentano i valori di previsione, mentre gli attributi con barre rosse riducono i valori di previsione.
![\[Bar graphs showing Price and Promo increasing impact scores, StoreLocation decreasing impact score.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/quicksight-unfiltered.png)
Nella console, i punteggi di impatto vanno da 0 a 1, dove un punteggio pari a 0 indica nessun impatto e un punteggio vicino a 1 indica un impatto significativo. In SDKs, i punteggi di impatto vanno da -1 a 1, dove il segno indica la direzione dell'impatto.
È importante notare che i punteggi di impatto misurano l'impatto relativo degli attributi, non l'impatto assoluto. Pertanto, i punteggi di impatto non possono essere utilizzati per determinare se determinati attributi migliorano la precisione del modello. Se un attributo ha un punteggio di impatto basso, ciò non significa necessariamente che abbia un impatto basso sui valori di previsione; significa che ha un impatto inferiore sui valori di previsione rispetto ad altri attributi utilizzati dal predittore.
## Creazione di Predictor Explainability
**Nota**
È possibile creare al massimo un Predictor Explainability per predittore
Quando abiliti Predictor Explainability, Amazon Forecast calcola i punteggi di impatto per tutti gli attributi nei tuoi set di dati. I punteggi di impatto possono essere interpretati come l'impatto degli attributi sui valori di previsione complessivi. È possibile abilitare Predictor Explainability quando si crea un predittore oppure è possibile abilitare la funzionalità dopo aver creato il predittore.
### Abilitare Predictor Explainability per un nuovo predittore
L'abilitazione di Predictor Explainability durante la creazione di un nuovo predittore creerà sia una risorsa Predictor che una risorsa Explainability. Puoi abilitare Predictor Explainability per un nuovo predittore utilizzando il Software Development Kit (SDK) o la console Amazon Forecast.
------
#### [ Console ]
**Per abilitare Predictor Explainability**
1. Accedi Console di gestione AWS e apri la console Amazon Forecast all'indirizzo [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Dai **gruppi di set** di dati, scegli il tuo gruppo di set di dati.
1. **Nel riquadro di navigazione, scegli Predittori.**
1. Scegli **Train new predictor**.
1. Nella sezione **Configurazione di Predictor**, scegli **Abilita spiegabilità.**
1. Fornisci i valori per i seguenti campi obbligatori:
+ **Nome**: un nome predittivo univoco.
+ **Forecast frequency**: la granularità delle previsioni.
+ **Forecast horizon**: il numero di fasi temporali da prevedere.
1. Scegli **Start (Avvia)**
------
#### [ Python ]
Per abilitare la spiegabilità di un nuovo predittore con SDK for Python (Boto3), usa il metodo e imposta su true. `create_auto_predictor` ExplainPredictor
Il codice seguente crea un predittore automatico che effettua previsioni per 24 (`ForecastHorizon`) giorni (`ForecastFrequency`) nel futuro ed è `ExplainPredictor` impostato su true. Per informazioni sui parametri obbligatori e facoltativi, vedere. [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
)
```
------
### Abilitazione della spiegabilità dei predittori per un predittore esistente
Abilitando Predictor Explainability per un predittore esistente si creerà una risorsa di Explainability per quella risorsa. È possibile creare una risorsa di spiegabilità solo per i predittori che non contengono già una risorsa di spiegabilità. Per visualizzare i punteggi di impatto per un set di dati aggiornato, riqualifica o ricrea il predittore con i dati aggiornati.
Puoi abilitare Predictor Explainability per un nuovo predittore utilizzando il Software Development Kit (SDK) o la console Amazon Forecast.
------
#### [ Console ]
**Per abilitare Predictor Explainability**
1. Accedi Console di gestione AWS e apri la console Amazon Forecast all'indirizzo [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Dai **gruppi di set** di dati, scegli il tuo gruppo di set di dati.
1. **Nel riquadro di navigazione, scegli Predittori.**
1. Scegli il tuo predittore.
1. **Nella sezione **Predictor Explainability, scegli Abilita spiegabilità**.**
1. Fornisci un nome univoco per Predictor Explainability.
1. Scegli **Start (Avvia)**
------
#### [ Python ]
Per abilitare Predictor Explainability per un predittore esistente con SDK for Python (Boto3), usa il metodo. `create_explainability` **Specificate un nome per la spiegabilità, l'ARN per il predittore e per`ExplainabilityConfig`, impostate entrambi e su ALL. `TimePointGranularity` `TimeSeriesGranularity`** **Per creare una visualizzazione di spiegabilità visualizzabile all'interno della console, imposta su True. `EnableVisualization`**
Per informazioni sui parametri obbligatori e facoltativi, vedere. [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
)
```
------
## Esportazione della spiegabilità di Predictor
**Nota**
I file di esportazione possono restituire direttamente le informazioni dall'importazione del set di dati. Ciò rende i file vulnerabili all'iniezione di file CSV se i dati importati contengono formule o comandi. Per questo motivo, i file esportati possono richiedere avvisi di sicurezza. Per evitare attività dannose, disattivate i link e le macro durante la lettura dei file esportati.
Forecast ti consente di esportare un file CSV o Parquet dei punteggi Impact in una posizione S3. I punteggi di impatto vanno da -1 a 1, dove il segno indica la direzione dell'impatto. Puoi esportare i punteggi di impatto utilizzando l'Amazon Forecast Software Development Kit (SDK) e la console Amazon Forecast.
![\[Table showing normalized impact scores for price, promotion, weather index, and US holidays.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/explainability-global.png)
------
#### [ Console ]
**Per esportare Predictor Explainability**
1. Accedi Console di gestione AWS e apri la console Amazon Forecast all'indirizzo [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Dai **gruppi di set** di dati, scegli il tuo gruppo di set di dati.
1. **Nel riquadro di navigazione, scegli Predittori.**
1. Scegli il tuo predittore.
1. **Nella sezione **Predictor Explainability**, scegli Esporta.**
1. Per il campo **Nome di esportazione**, fornisci un nome univoco per l'esportazione.
1. Per il campo **Posizione di esportazione spiegabile da S3, fornisci una posizione** S3 per esportare il file CSV.
1. Per il campo **IAM Role**, fornisci un ruolo con accesso alla posizione S3 specificata.
1. Scegli **Crea esportazione**.
------
#### [ Python ]
Per esportare un Predictor Explainability con l'SDK for Python (Boto3), usa il metodo. `create_explainability_export` Assegna un nome al lavoro, specifica l'ARN della spiegabilità e, nell'`Destination`oggetto, specifica la posizione di destinazione di Amazon S3 e il ruolo del servizio IAM.
Per informazioni sui parametri obbligatori e facoltativi, consulta. [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'
)
```
------
## Restrizioni e procedure consigliate
Prendi in considerazione le seguenti restrizioni e best practice quando lavori con Predictor Explainability.
+ L'**esplicabilità dei predittori è disponibile solo per alcuni predittori creati con AutoPredictor**: non è possibile abilitare l'esplicabilità per i predittori legacy creati con AutoML o tramite selezione manuale. [ AutoPredictorVedi Aggiornamento a.](howitworks-predictor.md#upgrading-autopredictor)
+ **Predictor Explainability non è disponibile per tutti i modelli: i modelli** ARIMA (AutoRegressive Integrated Moving Average), ETS (Exponential Smoothing State Space Model) e NPTS (Non-Parametric Time Series) non incorporano dati di serie temporali esterne. Pertanto, questi modelli non creano un rapporto di spiegabilità, anche se si includono set di dati aggiuntivi.
+ **La spiegabilità richiede degli attributi**: il predittore deve includere almeno uno dei seguenti elementi: serie temporali correlate, metadati degli articoli, festività o indice meteorologico.
+ **I predittori sono limitati a una risorsa di spiegabilità: non è possibile creare più risorse di spiegabilità** per un predittore. Se sei interessato ai punteggi di impatto per un set di dati aggiornato, riadatta il tuo predittore.
+ **I punteggi di impatto pari a zero non indicano alcun impatto**: se un attributo ha un punteggio di impatto pari a 0, quell'attributo non ha un impatto significativo sui valori di previsione.
+ **Riprovare i job Predictor Explainability falliti:** se Forecast crea correttamente un processo Predictor ma il job Predictor Explainability fallisce, puoi riprovare a creare Predictor Explainability nella console o con l'operazione. CreateExplainability
+ **Non è possibile creare punteggi di impatto per punti temporali e serie temporali specifici**. Per visualizzare i punteggi di impatto per punti temporali e serie temporali specifici, consulta [Forecast Explainability](forecast-explainability.md).
+ **Le visualizzazioni di Predictor Explainability sono disponibili per 90 giorni dopo la creazione. Per visualizzare la visualizzazione dopo 90 giorni**, riabilita il predittore.
# Monitoraggio predittivo
**Nota**
Se abiliti il monitoraggio predittivo, Amazon Forecast memorizzerà i dati di ciascuna delle tue previsioni per l'analisi delle prestazioni dei predittori, anche dopo aver eliminato i dati di previsione. Per eliminare questi dati, elimina la risorsa di monitoraggio.
Il monitoraggio predittivo ti consente di vedere come le prestazioni del tuo predittore cambiano nel tempo. Diversi fattori possono causare cambiamenti nelle prestazioni, come gli sviluppi economici o i cambiamenti nel comportamento dei clienti.
Ad esempio, si consideri uno scenario di previsione in cui l'obiettivo è `sales` e vi sono due attributi correlati: `price` e `color` Nei mesi successivi alla creazione del primo predittore, alcuni colori potrebbero inaspettatamente diventare più popolari tra i clienti. Ciò potrebbe aumentare le vendite di articoli con questo attributo. Questi nuovi dati potrebbero influire sulle prestazioni del predittore e sull'accuratezza delle previsioni che genera.
Con il monitoraggio dei predittori abilitato, Forecast analizza le prestazioni del tuo predittore man mano che generi previsioni e importi più dati. Forecast confronta i nuovi dati con le previsioni precedenti per rilevare eventuali variazioni nelle prestazioni. Puoi visualizzare i grafici di come le diverse metriche di precisione sono cambiate nel tempo nella console Forecast. Oppure puoi ottenere risultati di monitoraggio con l'[ListMonitorEvaluations](API_ListMonitorEvaluations.md)operazione.
Il monitoraggio predittivo può aiutare a decidere se è il momento di riaddestrare il predittore. Se le prestazioni peggiorano, potresti voler riqualificare il predittore sulla base di dati più recenti. Se scegli di riqualificare il tuo predittore, il nuovo predittore includerà i dati di monitoraggio del precedente. Puoi anche utilizzare il monitoraggio predittivo per raccogliere dati contestuali sull'ambiente di produzione o per eseguire confronti per diversi esperimenti.
Il monitoraggio predittivo è disponibile solo per. AutoPredictors È possibile aggiornare i predittori esistenti a. AutoPredictor Vedi [Aggiornamento a](howitworks-predictor.md#upgrading-autopredictor). AutoPredictor
**Topics**
+ [Flusso di lavoro di monitoraggio predittivo](#predictor-monitoring-workflow)
+ [Abilitazione del monitoraggio predittivo](enabling-predictor-monitoring.md)
+ [Visualizzazione dei risultati del monitoraggio](predictor-monitoring-results.md)
+ [Restrizioni e migliori pratiche](#predictor-monitoring-best-practices)
## Flusso di lavoro di monitoraggio predittivo
Per ottenere i risultati del monitoraggio predittivo, devi prima utilizzare il predittore per generare una previsione e quindi importare altri dati. Il flusso di lavoro di monitoraggio è il seguente.
1. Abilita il monitoraggio predittivo per un predittore automatico:
+ Crea un nuovo predittore con il monitoraggio abilitato. Per informazioni, consulta [Abilitazione del monitoraggio predittivo per un nuovo predittore](enabling-predictor-monitoring.md#enabling-predictor-monitoring-new).
+ Oppure abilita il monitoraggio per un predittore esistente. Per informazioni, consulta [Abilitazione del monitoraggio predittivo per un predittore esistente](enabling-predictor-monitoring.md#enabling-predictor-monitoring-existing).
1. Usa il predittore per generare una o più previsioni.
1. Importa più dati. Per informazioni sull'importazione di dati in Forecast, vedere[Importazione di set di dati](howitworks-datasets-groups.md).
1. Visualizza i risultati del monitoraggio predittivo:
+ Puoi visualizzare i risultati nella scheda **Monitoraggio** del tuo predittore.
+ Oppure puoi ottenere risultati di monitoraggio con l'[ListMonitorEvaluations](API_ListMonitorEvaluations.md)operazione.
Per ulteriori informazioni, consulta [Visualizzazione dei risultati del monitoraggio](predictor-monitoring-results.md).
# Abilitazione del monitoraggio predittivo
Puoi abilitare il monitoraggio predittivo quando crei il predittore oppure puoi abilitarlo per un predittore esistente.
**Nota**
Il monitoraggio predittivo è disponibile solo per. AutoPredictors È possibile aggiornare i predittori esistenti a. AutoPredictor Vedi [Aggiornamento a](howitworks-predictor.md#upgrading-autopredictor). AutoPredictor
**Topics**
+ [Abilitazione del monitoraggio predittivo per un nuovo predittore](#enabling-predictor-monitoring-new)
+ [Abilitazione del monitoraggio predittivo per un predittore esistente](#enabling-predictor-monitoring-existing)
## Abilitazione del monitoraggio predittivo per un nuovo predittore
È possibile abilitare il monitoraggio predittivo per un nuovo predittore con la console e l' AWS CLI operazione AWS SDKs. [CreateAutoPredictor](API_CreateAutoPredictor.md)
------
#### [ Console ]
**Per abilitare il monitoraggio Predictor**
1. Accedi Console di gestione AWS e apri la console Amazon Forecast all'indirizzo [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Dai **gruppi di set** di dati, scegli il tuo gruppo di set di dati.
1. **Nel riquadro di navigazione, scegli Predittori.**
1. Scegli **Train new predictor**.
1. Nella sezione **Configurazione Predictor**, scegli **Abilita il monitoraggio.**
1. Fornisci i valori per i seguenti campi obbligatori:
+ **Nome**: un nome predittivo univoco.
+ **Forecast frequency**: la granularità delle previsioni.
+ **Forecast horizon**: il numero di fasi temporali da prevedere.
1. Scegli **Avvia** per creare un predittore automatico con il monitoraggio abilitato. Vedrai i risultati del monitoraggio man mano che utilizzi il predittore per generare previsioni e quindi importare altri dati.
------
#### [ Python ]
Per abilitare il monitoraggio predittivo per un nuovo predittore con SDK for Python (Boto3), usa il metodo e fornisci un nome di monitor in. `create_auto_predictor` `MonitoringConfig`
Il codice seguente crea un predittore automatico che effettua previsioni per 24 (`ForecastHorizon`) giorni (`ForecastFrequency`) nel futuro e specifica `MyPredictorMonitor` come. `MonitorName` Dopo aver generato una previsione e aver importato altri dati, è possibile visualizzare i risultati del monitoraggio dei predittori. Per ulteriori informazioni sul recupero dei risultati, consulta. [Visualizzazione dei risultati del monitoraggio](predictor-monitoring-results.md)
Per informazioni sui parametri obbligatori e facoltativi per la creazione di un predittore, vedere. [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"
}
)
```
------
## Abilitazione del monitoraggio predittivo per un predittore esistente
È possibile abilitare il monitoraggio predittivo per un predittore esistente con la console e. AWS CLI AWS SDKs
------
#### [ Console ]
**Per abilitare il monitoraggio dei predittori**
1. Accedi Console di gestione AWS e apri la console Amazon Forecast all'indirizzo [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Dai **gruppi di set** di dati, scegli il tuo gruppo di set di dati.
1. **Nel riquadro di navigazione, scegli Predittori.**
1. Scegli il tuo predittore.
1. Vai alla scheda **Monitoraggio**.
1. Nella sezione **Dettagli del monitoraggio**, scegli **Avvia monitoraggio**
Quando **lo stato del monitoraggio** è Attivo, il monitoraggio predittivo è abilitato. Dopo aver generato una previsione e aver importato altri dati, puoi visualizzare i risultati del monitoraggio dei predittori. Per ulteriori informazioni, consulta [Visualizzazione dei risultati del monitoraggio](predictor-monitoring-results.md).
------
#### [ Python ]
Per abilitare il monitoraggio predittivo per un predittore esistente con SDK for Python (Boto3), usa il metodo. `create_monitor` Specificare un nome per il monitoraggio e `ResourceArn` specificare l'Amazon Resource Name (ARN) per il predittore da monitorare. Usa il `describe_monitor` metodo e fornisci l'ARN del monitor per ottenere lo stato del monitor. Dopo aver generato una previsione e aver importato altri dati, puoi visualizzare i risultati del monitoraggio predittivo. Per ulteriori informazioni, consulta [Visualizzazione dei risultati del monitoraggio](predictor-monitoring-results.md).
Per informazioni sui parametri obbligatori e facoltativi, consulta [CreateMonitor](API_CreateMonitor.md) e[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'])
```
------
# Visualizzazione dei risultati del monitoraggio
Dopo aver generato una previsione e aver importato altri dati, puoi visualizzare i risultati del monitoraggio dei predittori. Puoi vedere una visualizzazione dei risultati con la console Forecast oppure puoi recuperare i risultati a livello di codice con l'operazione. [ListMonitorEvaluations](API_ListMonitorEvaluations.md)
La console Forecast mostra i grafici dei risultati per ogni metrica [predittiva](metrics.md). I grafici includono il modo in cui ogni metrica è cambiata nel corso della durata del predittore e degli eventi predittivi, come la riqualificazione.
L'[ListMonitorEvaluations](API_ListMonitorEvaluations.md)operazione restituisce i risultati delle metriche e gli eventi predittivi per diverse finestre temporali.
------
#### [ Console ]
**Per visualizzare i risultati del monitoraggio predittivo**
1. Accedi Console di gestione AWS e apri la console Amazon Forecast all'indirizzo [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Dai **gruppi di set** di dati, scegli il tuo gruppo di set di dati.
1. **Nel riquadro di navigazione, scegli Predittori.**
1. Scegli il predittore e scegli la scheda **Monitoraggio**.
+ La sezione **Risultati del monitoraggio** mostra come le diverse metriche di precisione sono cambiate nel tempo. Utilizza l'elenco a discesa per modificare la metrica tracciata dal grafico.
+ La sezione **Cronologia del monitoraggio** elenca i dettagli dei diversi eventi registrati nei risultati.
Di seguito è riportato un esempio di grafico che mostra come il `Avg wQL` punteggio di un predittore è cambiato nel tempo. In questo grafico, notate che il `Avg wQL` valore aumenta nel tempo. Questo aumento indica che la precisione del predittore sta diminuendo. Utilizzate queste informazioni per determinare se è necessario riconvalidare il modello e intervenire.
![\[Graph showing increasing Avg wQL score over time, indicating decreasing predictor accuracy.\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/predictor-drift.png)
------
#### [ SDK for Python (Boto3) ]
Per ottenere risultati di monitoraggio con l'SDK for Python (Boto3), usa il metodo. `list_monitor_evaluations` Fornisci l'Amazon Resource Name (ARN) del monitor e, facoltativamente, specifica il numero massimo di risultati da recuperare con il parametro. `MaxResults` Facoltativamente, specifica a per filtrare i risultati`Filter`. È possibile filtrare le valutazioni in `EvaluationState` base a `SUCCESS` o`FAILURE`. Il codice seguente ottiene un massimo di 20 valutazioni di monitoraggio riuscite.
```
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)
```
Di seguito è riportata una risposta JSON di esempio.
```
{
"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}
]
}
]
}
```
------
## Restrizioni e migliori pratiche
Prendi in considerazione le seguenti restrizioni e best practice quando lavori con il monitoraggio predittivo.
+ **Il monitoraggio predittivo è disponibile solo per i predittori automatici**: non è possibile abilitare il monitoraggio per i predittori legacy creati con AutoML o tramite selezione manuale. [Vedi Aggiornamento a. AutoPredictor](howitworks-predictor.md#upgrading-autopredictor)
+ **Il monitoraggio predittivo è unico per predittore automatico**: puoi creare un solo monitor per predittore automatico.
+ **Il monitoraggio predittivo richiede nuovi dati e la generazione di previsioni**: man mano che si importano nuovi dati utilizzati per generare nuove previsioni, diventano disponibili i risultati del monitoraggio predittivo. Se non stai importando nuovi dati o se i dati appena importati non coprono un orizzonte di previsione completo, non vedrai i risultati del monitoraggio.
+ **Il monitoraggio predittivo richiede nuove previsioni**: è necessario generare continuamente nuove previsioni per generare risultati di monitoraggio. Se non stai generando nuove previsioni, non vedrai i risultati del monitoraggio.
+ **Amazon Forecast memorizzerà i dati di ciascuna delle tue previsioni per l'analisi predittiva delle prestazioni**: Forecast archivia questi dati anche se elimini le previsioni. Per eliminare questi dati, elimina il monitor associato.
+ L'[StopResource](API_StopResource.md)operazione interromperà tutte le valutazioni attuali e tutte le valutazioni future.
+ La metrica AvgWQL è disponibile solo quando si generano previsioni per quantili diversi dalla media.
+ Le valutazioni del monitor in corso non vengono visualizzate nell'operazione. [ListMonitorEvaluations](API_ListMonitorEvaluations.md)
# Algoritmi di Amazon Forecast
Un predittore di Amazon Forecast utilizza un algoritmo per addestrare un modello con i set di dati delle serie temporali. Il modello addestrato viene quindi utilizzato per generare metriche e previsioni.
Se non sei sicuro dell'algoritmo da utilizzare per addestrare il tuo modello, scegli AutoML quando crei un predittore e lascia che Forecast addestra il modello ottimale per i tuoi set di dati. Altrimenti, puoi selezionare manualmente uno degli algoritmi di Amazon Forecast.
**Quaderni in Python**
Per una step-by-step guida sull'uso di AutoML, consulta Guida [introduttiva ad AutoML](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Getting_started_with_AutoML/Getting_started_with_AutoML.ipynb).
## Algoritmi di previsione integrati
Amazon Forecast offre sei algoritmi integrati tra cui scegliere. Questi vanno da algoritmi statistici di uso comune come Autoregressive Integrated Moving Average (ARIMA), a complessi algoritmi di rete neurale come CNN-QR e DeepAr\$1.
### [CNN-QR](aws-forecast-algo-cnnqr.md)
`arn:aws:forecast:::algorithm/CNN-QR`
Amazon Forecast CNN-QR, Convolutional Neural Network - Quantile Regression, è un algoritmo di apprendimento automatico proprietario per la previsione di serie temporali utilizzando reti neurali convoluzionali causali (). CNNs CNN-QR funziona al meglio con set di dati di grandi dimensioni contenenti centinaia di serie temporali. Accetta i metadati degli elementi ed è l'unico algoritmo Forecast che accetta dati di serie temporali correlati senza valori futuri.
### [DeePar\$1](aws-forecast-recipe-deeparplus.md)
`arn:aws:forecast:::algorithm/Deep_AR_Plus`
Amazon Forecast Deepar\$1 è un algoritmo di apprendimento automatico proprietario per la previsione di serie temporali utilizzando reti neurali ricorrenti (). RNNs Deepar\$1 funziona al meglio con set di dati di grandi dimensioni contenenti centinaia di serie temporali di funzionalità. L'algoritmo accetta serie temporali e metadati degli elementi correlati previsionali.
### [Profeta](aws-forecast-recipe-prophet.md)
`arn:aws:forecast:::algorithm/Prophet`
Prophet è un algoritmo di previsione delle serie temporali basato su un modello additivo in cui le tendenze non lineari si adattano alla stagionalità annuale, settimanale e giornaliera. Funziona al meglio con serie temporali con forti effetti stagionali e diverse stagioni di dati storici.
### [APPUNTI](aws-forecast-recipe-npts.md)
`arn:aws:forecast:::algorithm/NPTS`
L'algoritmo proprietario di Amazon Forecast Non-Parametric Time Series (NPTS) è un sistema di previsione di base scalabile e probabilistico. L'NPTS è particolarmente utile quando si lavora con serie temporali rade o intermittenti. Forecast fornisce quattro varianti di algoritmo: Standard NPTS, Seasonal NPTS, Climatological Forecaster e Seasonal Climatological Forecaster.
### [ARIMA](aws-forecast-recipe-arima.md)
`arn:aws:forecast:::algorithm/ARIMA`
Autoregressive Integrated Moving Average (ARIMA) è un algoritmo statistico comunemente usato per la previsione di serie temporali. L'algoritmo è particolarmente utile per set di dati semplici con meno di 100 serie temporali.
### [ETS](aws-forecast-recipe-ets.md)
`arn:aws:forecast:::algorithm/ETS`
Exponential Smoothing (ETS) è un algoritmo statistico comunemente usato per la previsione di serie temporali. L'algoritmo è particolarmente utile per set di dati semplici con meno di 100 serie temporali e set di dati con modelli di stagionalità. L'ETS calcola come previsione una media ponderata su tutte le osservazioni del set di dati della serie temporale, con pesi esponenzialmente decrescenti nel tempo.
## Confronto degli algoritmi di previsione
Utilizza la tabella seguente per trovare l'opzione migliore per i tuoi set di dati delle serie temporali.
| | Reti neurali | Algoritmi locali flessibili | Algoritmi di base | | CNN-QR | DeepAR\$1 | Prophet | NPTS | ARIMA | ETS |
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |
| Processo di formazione computazionalmente intensivo | Elevata | Elevata | Media | Bassa | Bassa | Bassa |
| Accetta serie temporali storiche\$1 | ![\[Yes\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) |
| Accetta serie temporali relative al futuro\$1 | ![\[Yes\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) |
| Accetta i metadati degli articoli (colore del prodotto, marca, ecc.) | ![\[Yes\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) |
| Accetta la funzionalità integrata di Weather Index | ![\[Yes\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) |
| Adatto per set di dati sparsi | ![\[Yes\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) | ![\[Yes\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) |
| Esegue l'ottimizzazione degli iperparametri (HPO) | ![\[Yes\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) |
| Consente di sovrascrivere i valori predefiniti degli iperparametri | ![\[Yes\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) | ![\[Yes\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/icon-no.png) |
\$1Per ulteriori informazioni sulle serie temporali correlate, vedere Serie temporali [correlate](related-time-series-datasets.md).
# Algoritmo Modello autoregressivo integrato a media mobile (ARIMA, Autoregressive Integrated Moving Average)
Autoregressive Integrated Moving Average ([ARIMA](https://en.wikipedia.org/wiki/Autoregressive_integrated_moving_average)) è un algoritmo statistico locale frequentemente utilizzato per una serie di previsioni. ARIMA consente di acquisire strutture temporali standard (organizzazioni modellate del tempo) nel set di dati di input. L'algoritmo Amazon Forecast ARIMA richiama la [funzione Arima](https://cran.r-project.org/web/packages/forecast/forecast.pdf#Rfn.Arima.1) nel `Package 'forecast'` Comprehensive R Archive Network (CRAN).
## Funzionamento di ARIMA
L'algoritmo ARIMA è molto utile per i set di dati che possono essere mappati su serie temporali stazionarie. Le proprietà statistiche di serie temporali stazionarie, ad esempio autocorrelazioni, sono indipendenti dal tempo. I set di dati con serie temporali stazionarie in genere contengono una combinazione di segnale e rumori. Il segnale potrebbe esibire un modello di oscillazione sinusoidale o avere una componente stagionale. ARIMA funziona come un filtro per separare il segnale dal rumore e quindi estrapolare il segnale in futuro per fare previsioni.
## Iperparametri e ottimizzazione ARIMA
Per informazioni su Iperparametri e ottimizzazione ARIMA, consulta la documentazione della funzione `Arima` NEL [Pacchetto “previsione”](https://cran.r-project.org/web/packages/forecast/forecast.pdf) di [CRAN](https://cran.r-project.org).
Amazon Forecast converte il `DataFrequency` parametro specificato nell'[CreateDataset](API_CreateDataset.md)operazione nel `frequency` parametro della funzione R [ts](https://www.rdocumentation.org/packages/stats/versions/3.6.1/topics/ts) utilizzando la seguente tabella:
| DataFrequency (Stringa) | R ts frequency (intero) |
| --- | --- |
| Y | 1 |
| M | 12 |
| W | 52 |
| D | 7 |
| H | 24 |
| 30 min. | 2 |
| 15 min. | 4 |
| 10 min | 6 |
| 5 min | 12 |
| 1 minuto | 60 |
Per frequenze inferiori a 24 o serie temporali brevi, gli iperparametri vengono impostati utilizzando la funzione `auto.arima` della `Package 'forecast'` di [CRAN](https://cran.r-project.org). Per frequenze maggiori o uguali a 24 e serie temporali lunghe, utilizziamo una serie di Fourier con K = 4, come descritto qui, [Forecasting with long seasonal periods](https://robjhyndman.com/hyndsight/longseasonality/).
Le frequenze dati supportate che non sono nella tabella hanno una frequenza `ts` di default di 1.
# Algoritmo CNN-QR
Amazon Forecast CNN-QR, Convolutional Neural Network - Quantile Regression, è un algoritmo di apprendimento automatico proprietario per la previsione di serie temporali scalari (unidimensionali) utilizzando reti neurali convoluzionali causali (). CNNs Questo algoritmo di apprendimento supervisionato addestra un modello globale da un'ampia raccolta di serie temporali e utilizza un decodificatore quantile per fare previsioni probabilistiche.
**Topics**
+ [Guida introduttiva a CNN-QR](#aws-forecast-algo-cnnqr-getting-started)
+ [Come funziona CNN-QR](#aws-forecast-algo-cnnqr-how-it-works)
+ [Utilizzo dei dati correlati con CNN-QR](#aws-forecast-algo-cnnqr-using-rts)
+ [Iperparametri CNN-QR](#aws-forecast-algo-cnnqr-hyperparameters)
+ [Suggerimenti e best practice](#aws-forecast-algo-cnnqr-tips)
## Guida introduttiva a CNN-QR
Puoi addestrare un predittore con CNN-QR in due modi:
1. Selezione manuale dell'algoritmo CNN-QR.
1. Scelta di AutoML (CNN-QR fa parte di AutoML).
Se non sei sicuro dell'algoritmo da utilizzare, ti consigliamo di selezionare AutoML e Forecast selezionerà CNN-QR se è l'algoritmo più preciso per i tuoi dati. Per verificare se CNN-QR è stato selezionato come modello più preciso, utilizza l'[DescribePredictor](https://docs.aws.amazon.com/forecast/latest/dg/API_DescribePredictor.html)API o scegli il nome del predittore nella console.
Ecco alcuni casi d'uso chiave per CNN-QR:
+ **Previsione con set di dati grandi e complessi** - CNN-QR funziona meglio se addestrato con set di dati grandi e complessi. La rete neurale può apprendere attraverso molti set di dati, il che è utile quando si hanno serie temporali e metadati di elementi correlati.
+ **Previsione con serie temporali storiche correlate** - CNN-QR non richiede che le serie temporali correlate contengano punti dati all'interno dell'orizzonte di previsione. Questa maggiore flessibilità consente di includere una gamma più ampia di serie temporali e metadati relativi agli articoli, come il prezzo degli articoli, gli eventi, le metriche web e le categorie di prodotti.
## Come funziona CNN-QR
CNN-QR è un modello sequence-to-sequence (Seq2Seq) per la previsione probabilistica che verifica la precisione con cui una previsione ricostruisce la sequenza di decodifica, a seconda della sequenza di codifica.
L'algoritmo consente diverse funzionalità nella codifica e nelle sequenze di decodifica, quindi è possibile utilizzare una serie temporale correlata nell'encoder e ometterla dal decoder (e viceversa). Per impostazione predefinita, le serie temporali correlate con punti dati nell'orizzonte di previsione verranno incluse sia nell'encoder che nel decoder. Le serie temporali correlate senza punti dati nell'orizzonte di previsione verranno incluse solo nell'encoder.
CNN-QR esegue la regressione quantile con una CNN causale gerarchica che funge da estrattore di funzionalità apprendibili.
Per facilitare l'apprendimento di modelli dipendenti dal tempo, come i picchi durante i fine settimana, CNN-QR crea automaticamente serie temporali delle funzionalità basate sulla granularità delle serie temporali. Ad esempio, CNN-QR crea due serie temporali di funzionalità (e) con una frequenza settimanale di serie temporali. day-of-month day-of-year L'algoritmo utilizza queste serie temporali delle caratteristiche derivate insieme alle serie temporali delle funzionalità personalizzate fornite durante l'addestramento e l'inferenza. L'esempio seguente mostra una serie temporale di destinazione e due caratteristiche di serie temporali derivate: `ui,1,t` rappresenta l'ora del giorno e `ui,2,t` rappresenta il giorno della settimana. `zi,t`
![\[\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/cnnqr-time-frequencies.PNG)
CNN-QR include automaticamente queste serie temporali di funzionalità in base alla frequenza dei dati e alla dimensione dei dati di allenamento. Nella tabella seguente vengono elencate le caratteristiche che possono essere derivate per ogni frequenza temporale di base supportata.
****
| Frequenza delle serie temporali | Caratteristiche derivate |
| --- | --- |
| Minuto | minute-of-hour, hour-of-day, day-of-week, day-of-month, day-of-year |
| Ora | hour-of-day, day-of-week, day-of-month, day-of-year |
| Day (Giorno) | day-of-week, day-of-month, day-of-year |
| Settimana | week-of-month, week-of-year |
| Mese | month-of-year |
Durante l'allenamento, ogni serie temporale nel set di dati di allenamento è costituita da un paio di finestre di contesto e previsione adiacenti con lunghezze predefinite fisse. Ciò è illustrato nella figura seguente, in cui la finestra di contesto è rappresentata in verde e la finestra di previsione è rappresentata in blu.
È possibile utilizzare un modello addestrato su un determinato set di allenamento per generare previsioni per le serie temporali del set di allenamento e per altre serie temporali. Il set di dati di addestramento è costituito da una serie temporale target, che può essere associata a un elenco di serie temporali e metadati di elementi correlati.
La figura seguente mostra come funziona per un elemento di un set di dati di addestramento indicizzato da. `i` Il set di dati di addestramento è costituito da una serie temporale di destinazione e da due serie temporali correlate associate e. `zi,t` `xi,1,t` `xi,2,t` La prima serie temporale correlata è una serie temporale orientata al futuro`xi,2,t`, mentre la seconda è una serie temporale storica. `xi,1,t`
![\[\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/cnnqr-short-long-rts.png)
CNN-QR apprende attraverso le serie temporali target e le relative serie temporali e`zi,t`, per generare previsioni nella `xi,1,t` finestra di previsione`xi,2,t`, rappresentata dalla linea arancione.
## Utilizzo dei dati correlati con CNN-QR
CNNQR supporta set di dati relativi a serie temporali storiche e future. Se fornisci un set di dati di serie temporali correlate e lungimiranti, qualsiasi valore mancante verrà riempito utilizzando il [metodo di riempimento futuro](howitworks-missing-values.md). Per ulteriori informazioni sulle serie storiche e relative al futuro, vedere [Utilizzo di set di dati relativi a serie temporali correlate](related-time-series-datasets.md).
Puoi anche utilizzare set di dati di metadati degli articoli con CNN-QR. Si tratta di set di dati con informazioni statiche sugli elementi della serie temporale di destinazione. I metadati degli elementi sono particolarmente utili per scenari di previsione a freddo in cui i dati storici sono scarsi o nulli. [Per ulteriori informazioni sui metadati degli elementi, consulta Metadati degli elementi.](item-metadata-datasets.md)
## Iperparametri CNN-QR
Amazon Forecast ottimizza i modelli CNN-QR su iperparametri selezionati. Quando selezioni manualmente CNN-QR, hai la possibilità di trasmettere i parametri di addestramento per questi iperparametri. La tabella seguente elenca gli iperparametri regolabili dell'algoritmo CNN-QR.
| Nome parametro | Valori | Descrizione |
| --- | --- | --- |
| context\$1length | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/aws-forecast-algo-cnnqr.html) | Il numero di punti temporali che il modello legge prima di fare previsioni. In genere, CNN-QR ha valori maggiori `context_length` rispetto a DeepAr\$1 perché CNN-QR non utilizza ritardi per esaminare ulteriori dati storici. Se il valore di non rientra `context_length` in un intervallo predefinito, CNN-QR imposterà automaticamente il valore predefinito su un valore appropriato. `context_length` |
| use\$1related\$1data | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/aws-forecast-algo-cnnqr.html) | Determina i tipi di dati relativi alle serie temporali da includere nel modello. Scegliete una delle quattro opzioni: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/aws-forecast-algo-cnnqr.html) `HISTORICAL`include tutte le serie temporali storiche correlate e `FORWARD_LOOKING` include tutte le serie temporali correlate previsionali. Non è possibile scegliere un sottoinsieme `HISTORICAL` o `FORWARD_LOOKING` una serie temporale correlata. |
| use\$1item\$1metadata | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/aws-forecast-algo-cnnqr.html) | Determina se il modello include i metadati degli elementi. Scegliete una delle due opzioni: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/aws-forecast-algo-cnnqr.html) `use_item_metadata`include tutti i metadati degli elementi forniti o nessuno. Non è possibile scegliere un sottoinsieme di metadati degli elementi. |
| epochs | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/aws-forecast-algo-cnnqr.html) | Il numero massimo di pass completi tramite i dati di addestramento. I set di dati più piccoli richiedono più epoche. Per valori elevati di `ForecastHorizon` e`context_length`, valuta la possibilità di ridurre le epoche per migliorare i tempi di allenamento. |
### Ottimizzazione degli iperparametri (HPO)
L'ottimizzazione degli iperparametri (HPO) è il compito di selezionare i valori degli iperparametri ottimali per uno specifico obiettivo di apprendimento. Con Forecast, puoi automatizzare questo processo in due modi:
1. Scegliendo AutoML, HPO verrà eseguito automaticamente per CNN-QR.
1. Selezione manuale di CNN-QR e impostazione. `PerformHPO = TRUE`
Le serie temporali aggiuntive e i metadati degli articoli correlati non sempre migliorano la precisione del modello CNN-QR. Quando esegui AutoML o abiliti HPO, CNN-QR verifica l'accuratezza del modello con e senza le serie temporali e i metadati degli elementi correlati forniti e seleziona il modello con la massima precisione.
Amazon Forecast ottimizza automaticamente i seguenti tre iperparametri durante l'HPO e fornisce i valori finali addestrati:
+ **context\$1length**: determina fino a che punto la rete può vedere nel passato. Il processo HPO imposta automaticamente un valore `context_length` che massimizza la precisione del modello, tenendo conto del tempo di addestramento.
+ **use\$1related\$1data: determina quali forme di dati** di serie temporali correlate includere nel modello. Il processo HPO verifica automaticamente se i dati delle serie temporali correlati migliorano il modello e seleziona l'impostazione ottimale.
+ **use\$1item\$1metadata: determina se includere i metadati** degli elementi nel modello. Il processo HPO verifica automaticamente se i metadati degli articoli migliorano il modello e sceglie l'impostazione ottimale.
**Nota**
Se `use_related_data` è impostato su `NONE` o `HISTORICAL` quando è selezionata la funzione `Holiday` supplementare, significa che l'inclusione dei dati sulle festività non migliora la precisione del modello.
È possibile impostare la configurazione HPO per l'`context_length`iperparametro se impostata `PerformHPO = TRUE` durante la selezione manuale. Tuttavia, non è possibile modificare alcun aspetto della configurazione HPO se si sceglie AutoML. Per ulteriori informazioni sulla configurazione HPO, consulta l'API. [IntergerParameterRange](https://docs.aws.amazon.com/forecast/latest/dg/API_IntegerParameterRange.html)
## Suggerimenti e best practice
**Evita valori elevati per ForecastHorizon**: l'utilizzo di valori superiori a 100 per aumenta il `ForecastHorizon` tempo di addestramento e può ridurre la precisione del modello. Se si desidera prevedere più avanti nel futuro, valutare se eseguire l'aggregazione a una frequenza più elevata. Ad esempio, utilizza `5min` anziché `1min`.
**CNNs consentire una lunghezza del contesto maggiore** - Con CNN-QR, puoi impostare un valore `context_length` leggermente superiore a quello per DeepAr\$1, poiché generalmente CNNs sono più efficienti di. RNNs
**Ingegneria delle funzionalità dei dati correlati** - Sperimenta diverse combinazioni di serie temporali correlate e metadati degli elementi durante l'addestramento del modello e valuta se le informazioni aggiuntive migliorano la precisione. Diverse combinazioni e trasformazioni delle serie temporali correlate e dei metadati degli elementi forniranno risultati diversi.
**CNN-QR non prevede in base al quantile medio**: se si imposta l'[ CreateForecast](https://docs.aws.amazon.com/forecast/latest/dg/API_CreateForecast.html)API, `ForecastTypes` `mean` le previsioni verranno invece generate in base al quantile mediano (o). `0.5` `P50`
# Algoritmo DeepAR\$1
Amazon Forecast Deepar\$1 è un algoritmo di apprendimento supervisionato per la previsione di serie temporali scalari (unidimensionali) utilizzando reti neurali ricorrenti (). RNNs I metodi di previsione tradizionali, ad esempio il Modello autoregressivo integrato a media mobile (ARIMA) o il Livellamento esponenziale (ETS, Exponential Smoothing), associano un singolo modello a ogni serie temporale individuale, quindi utilizzano tale modello per estrapolare le serie temporali nel futuro. In molte applicazioni, tuttavia, sono presenti molte serie temporali simili in un set di unità trasversali. Questi raggruppamenti di serie temporali richiedono prodotti, carichi server e richieste diverse per le pagine Web. In questo caso, può essere utile eseguire il training di un singolo modello su tutte le serie temporali. DeepAR\$1adotta questo approccio. Quando il set di dati contiene centinaia di serie temporali delle caratteristiche, l'algoritmo DeepAR\$1 supera i metodi ARIMA ed ETS standard. Puoi inoltre utilizzare il modello addestrato per generare previsioni per nuove serie temporali che sono simili a quelle utilizzate per eseguire il training.
**Quaderni in Python**
Per una step-by-step guida sull'uso dell'algoritmo Deepar\$1, consulta Guida [introduttiva a Deepar\$1](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Getting_started_with_DeepAR%2B/Getting_started_with_DeepAR%2B.ipynb).
**Topics**
+ [Funzionamento di DeepAR\$1](#aws-forecast-recipe-deeparplus-how-it-works)
+ [Iperparametri DeepAR\$1](#aws-forecast-recipe-deeparplus-hyperparameters)
+ [Ottimizzazione dei modelli DeepAR\$1](#aws-forecast-recipe-deeparplus-tune-model)
## Funzionamento di DeepAR\$1
Durante il training, DeepAR\$1 utilizza un set di dati di training e un set di dati di test opzionale. Utilizza il set di dati di test per valutare il modello addestrato. In generale, i set di dati di training e di test non devono contenere lo stesso set di serie temporali. Puoi utilizzare un modello addestrato su un determinato set di addestramento per generare previsioni per il futuro della serie temporale nel set di addestramento e per altre serie temporali. Entrambi i set di dati di training e di test sono costituiti da serie temporali target (preferibilmente più di una). *Facoltativamente, possono essere associati a un vettore di serie temporali di funzionalità e a un vettore di caratteristiche categoriali (per i dettagli, consulta [DeepAR Input/Output Interface nella AI Developer](https://docs.aws.amazon.com/sagemaker/latest/dg/deepar.html#deepar-inputoutput) Guide). SageMaker * L'esempio seguente mostra il funzionamento per un elemento di un set di dati di training indicizzato da `i`. Il set di dati di training è costituito da una serie temporale target, `zi,t`, e due serie temporali delle caratteristiche associate, `xi,1,t` e `xi,2,t`.
![\[\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/forecast-recipe-deeparplus-ts-full-159.base.png)
La serie temporale target potrebbe non contenere alcuni valori (indicati nei grafici da interruzioni nelle serie temporali). DeepAR\$1 supporta solo serie temporali delle caratteristiche che sono note in futuro. Questo consente di eseguire scenari ipotetici "what-if" controfattuali. Ad esempio, "Cosa accade se modifico il prezzo di un prodotto?"
Ogni serie temporale di target può anche essere associata a una serie di caratteristiche di categoria. che puoi utilizzare per codificare che una serie temporale appartiene a raggruppamenti specifici. L'uso di caratteristiche categoriche consente al modello di apprendere il comportamento tipico per tali raggruppamenti, che può aumentare la precisione. Questo viene implementato da un modello apprendendo un vettore di incorporamento per ciascun gruppo che acquisisce le proprietà comuni di tutte le serie temporali nel gruppo.
Per semplificare i modelli di apprendimento dipendenti dal tempo, ad esempio i picchi nei weekend, DeepAR\$1crea automaticamente serie temporali delle caratteristiche basate sulla granularità di serie temporali. Ad esempio, DeepAR\$1crea due serie temporali delle caratteristiche (giorno del mese e giorno dell'anno) a una frequenza serie temporale settimanale. e utilizza queste serie temporali delle caratteristiche derivate insieme alle serie temporali delle caratteristiche personalizzate fornite durante il training e l'inferenza. L'esempio seguente mostra due serie temporali delle caratteristiche derivate: `ui,1,t` rappresenta l'ora del giorno e `ui,2,t` il giorno della settimana.
![\[\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/forecast-recipe-deeparplus-ts-full-159.derived.png)
DeepAR\$1 include automaticamente queste serie temporali delle caratteristiche in base alla frequenza dei dati e alle dimensioni dei dati di training. Nella tabella seguente vengono elencate le caratteristiche che possono essere derivate per ogni frequenza temporale di base supportata.
****
| Frequenza delle serie temporali | Caratteristiche derivate |
| --- | --- |
| Minuto | minute-of-hour, hour-of-day, day-of-week, day-of-month, day-of-year |
| Ora | hour-of-day, day-of-week, day-of-month, day-of-year |
| Day (Giorno) | day-of-week, day-of-month, day-of-year |
| Settimana | week-of-month, week-of-year |
| Mese | month-of-year |
Il training del modello DeepAR\$1 viene eseguito campionando in maniera causale diversi esempi di training di ciascuna delle serie temporali nel set di dati di training. Ogni esempio di addestramento è costituito da una coppia di finestre di contesto e di previsione adiacenti con lunghezze predefinite fisse. L'iperparametro `context_length` controlla quanto indietro nel passato la rete è in grado di vedere e il parametro `ForecastHorizon` controlla quanto avanti nel futuro è possibile fare previsioni. Durante il training, Amazon Forecast ignora gli elementi nel set di dati di training con serie temporali più brevi della lunghezza di previsione specificata. L'esempio seguente mostra cinque campioni, con una lunghezza del contesto (evidenziata in verde) di 12 ore e una lunghezza di previsione (evidenziata in blu) di 6 ore, disegnati dall'elemento `i`. Per motivi di sintesi, abbiamo escluso le serie temporali delle caratteristiche `xi,1,t` e `ui,2,t`.
![\[\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/forecast-recipe-deeparplus-ts-full-159.sampled.png)
Per acquisire modelli di stagionalità, DeepAR\$1 immette inoltre automaticamente valori ritardati (periodo passato) di serie temporali di target. Nell'esempio di campioni acquisiti a una frequenza oraria, per ogni indice temporale `t = T`, il modello espone i valori `zi,t`, che si sono verificati circa uno, due e tre giorni nel passato (evidenziati in rosa).
![\[\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/images/forecast-recipe-deeparplus-ts-full-159.lags.png)
Per inferenza, il modello addestrato accetta come input le serie temporali target, che possono o meno essere state utilizzate durante il training e prevede una distribuzione di probabilità per i valori `ForecastHorizon` successivi. Poiché DeepAR\$1 è addestrato sull'intero set di dati, la previsione tiene conto dei modelli appresi da serie temporali simili.
Per informazioni sulla matematica dietro DeepAR\$1, consulta [DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks](https://arxiv.org/abs/1704.04110) sul sito Web della Cornell University Library.
## Iperparametri DeepAR\$1
Nella tabella seguente sono elencati gli iperparametri che puoi utilizzare nell'algoritmo DeepAR\$1. I parametri in grassetto partecipano all'ottimizzazione degli iperparametri (HPO).
| Nome parametro | Description |
| --- | --- |
| context\$1length | Il numero di punti temporali letti dal modello prima di effettuare la previsione. Il valore di questo parametro deve essere più o meno lo stesso di `ForecastHorizon`. Il modello, inoltre, riceve input ritardati dal target, perciò `context_length` può essere molto inferiore rispetto alle stagionalità tipiche. Ad esempio, una serie temporale giornaliera può avere una stagionalità annuale. Il modello include automaticamente un ritardo di un anno, pertanto la lunghezza del contesto può essere inferiore a un anno. I valori di ritardo che il modello preleva dipendono dalla frequenza della serie temporale. Ad esempio, i valori di ritardo per la frequenza giornaliera sono: settimana precedente, 2 settimane, 3 settimane, 4 settimane e anno. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| epochs | Numero massimo di passaggi necessari per i dati di training. Il valore ottimale dipende dalle dimensioni dei dati e dalla velocità di apprendimento. I set di dati più piccoli e le velocità di apprendimento più basse richiedono entrambi più epoche per ottenere buoni risultati. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| learning\$1rate | Velocità di apprendimento utilizzata durante l’addestramento. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| learning\$1rate\$1decay | La velocità alla quale diminuisce l'apprendimento. Al massimo, la velocità di apprendimento viene ridotta di `max_learning_rate_decays` volte e quindi il training si arresta. Questo parametro verrà utilizzato solo se `max_learning_rate_decays` è maggiore di 0. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| likelihood | Il modello genera una previsione probabilistica e può fornire quantili della distribuzione e restituire campioni. A seconda dei dati, scegli una probabilità appropriata (modello di rumore) utilizzata per le stime di incertezza. Valori validi [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| max\$1learning\$1rate\$1decays | Il numero massimo di riduzioni della velocità di apprendimento che devono verificarsi. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| num\$1averaged\$1models | In DeepAR \$1, un percorso di training può incontrare più modelli. Ogni modello potrebbe avere punti di forza e di debolezza di previsione diversi. DeepAR\$1 può eseguire la media dei comportamenti del modello per sfruttare i punti di forza di tutti i modelli. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| num\$1cells | Numero di celle da utilizzare in ciascun livello nascosto delle reti neurali ricorrenti (RNN). [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| num\$1layers | Numero di livelli nascosti nelle reti neurali ricorrenti (RNN). [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
## Ottimizzazione dei modelli DeepAR\$1
Per ottimizzare modelli DeepAR\$1 di Amazon Forecast, segui questi suggerimenti per ottimizzare il processo di training e la configurazione hardware.
### Best practice per l'ottimizzazione del processo
Per ottenere risultati ottimali, seguire questi suggerimenti:
+ Tranne quando si suddividono i set di dati di training e di test, fornire sempre serie temporali complete per il training e il test e quando si chiama il modello per inferenza. A prescindere da come si imposta `context_length`, non dividere la serie temporale né fornirne solo una parte. Il modello utilizzerà punti dati ancora più vecchi di `context_length` per la caratteristica valori ritardati.
+ Per l'ottimizzazione del modello, puoi suddividere il set di dati in set di dati di training e di test. In uno scenario di valutazione tipico, è opportuno testare il modello sulla stessa serie temporale utilizzata nel training, ma sui punti temporali `ForecastHorizon` futuri immediatamente dopo l'ultimo punto temporale visibile durante il training. Per creare set di dati di training e di test che soddisfano questi criteri, utilizza l'intero set di dati (tutta la serie temporale) come un set di dati di test e rimuovi gli ultimi punti `ForecastHorizon` da ciascuna serie temporale per il training. In questo modo, durante il training, il modello non vede i valori target per punti temporali su cui viene valutato durante il test. Nella fase di test, gli ultimi punti `ForecastHorizon` di ciascuna serie temporale nel set di dati di test vengono trattenuti e viene generata una previsione. La previsione viene quindi confrontata con i valori effettivi degli ultimi punti `ForecastHorizon`. Puoi creare valutazioni più complesse ripetendo serie temporali più volte nel set di dati di test, ma tagliandoli in corrispondenza di endpoint diversi. Questo produce parametri di precisione che vengono mediati su più previsioni da diversi punti temporali.
+ Evitare l'uso di valori molto grandi (> 400) per `ForecastHorizon` perché questo rallenta il modello e lo rende meno preciso. Se si desidera prevedere più avanti nel futuro, valutare se eseguire l'aggregazione a una frequenza più elevata. Ad esempio, utilizza `5min` anziché `1min`.
+ A causa dei ritardi, il modello può guardare più indietro di `context_length`. Pertanto, non è necessario impostare questo parametro su un valore elevato. Un buon punto di partenza per questo parametro è lo stesso valore di `ForecastHorizon`.
+ Eseguire il training di modelli DeepAR\$1 con tutte le serie temporali disponibili. Anche se un modello DeepAR\$1 addestrato su una singola serie temporale potrebbe già andare bene, i modelli di previsione standard come ARIMA o ETS potrebbero essere più precisi e più mirati a questo caso d'uso. DeepAR\$1 inizia a superare i metodi standard quando il set di dati contiene centinaia di serie temporali delle caratteristiche. Al momento, DeepAR\$1 richiede che il numero totale di osservazioni disponibili, tra tutte le serie temporali di training, sia di almeno 300.
# Algoritmo di Livellamento esponenziale (ETS)
Il Livellamento esponenziale [(ETS)](https://en.wikipedia.org/wiki/Exponential_smoothing) è un algoritmo statistico locale frequentemente utilizzato per previsioni con serie temporali. L'algoritmo Amazon Forecast ETS richiama la [funzione ets](https://cran.r-project.org/web/packages/forecast/forecast.pdf#Rfn.ets.1) nel Comprehensive R Archive Network (CRAN). `Package 'forecast'`
## Funzionamento d ETS
L'algoritmo ETS è particolarmente utile per dataset con stagionalità e altre ipotesi precedenti sui dati. ETS calcola una media ponderata su tutte le osservazioni nel set di dati di serie temporali di input come previsione. I pesi sono esponenzialmente in diminuzione nel corso del tempo, piuttosto che avere pesi costanti in metodi con medie mobili semplici. I pesi dipendono da un parametro costante, noto come parametro di livellamento.
## Iperparametri e ottimizzazione ETS
Per informazioni su iperparametri e ottimizzazione ETS, consulta la documentazione della funzione `ets` nel [Pacchetto “previsione”](https://cran.r-project.org/web/packages/forecast/forecast.pdf) di [CRAN](https://cran.r-project.org).
Amazon Forecast converte il `DataFrequency` parametro specificato nell'[CreateDataset](API_CreateDataset.md)operazione nel `frequency` parametro della funzione R [ts](https://www.rdocumentation.org/packages/stats/versions/3.6.1/topics/ts) utilizzando la seguente tabella:
| DataFrequency (Stringa) | R ts frequency (intero) |
| --- | --- |
| Y | 1 |
| M | 12 |
| W | 52 |
| D | 7 |
| H | 24 |
| 30 min. | 2 |
| 15 min. | 4 |
| 10 min | 6 |
| 5 min | 12 |
| 1 minuto | 60 |
Le frequenze dati supportate che non sono nella tabella hanno una frequenza `ts` di default di 1.
# Algoritmo NPTS (Non-Parametric Time Series)
L'algoritmo Non-Parametric Time Series (NPTS) di Amazon Forecast è un forecaster di base probabilistico, scalabile. Consente di prevedere la distribuzione di valori futura di una determinata serie temporale eseguendo il campionamento da osservazioni passate. Le previsioni sono delimitate dai valori osservati. NPTS è particolarmente utile quando la serie temporale è intermittente (o rada, contenente molti 0) e con lunghi intervalli di inattività. Ad esempio, previsione della domanda di singoli articoli in cui la serie temporale presenta molti conteggi bassi. Amazon Forecast fornisce varianti di NPTS che si differenziano su quali osservazioni passate vengono campionate e sulla modalità di campionamento. Per usare un variante NPTS, scegli un'impostazione iperparametro.
## Funzionamento di NPTS
In maniera simile ai metodi di previsione classici, ad esempio Livellamento esponenziale (ETS) e Modello autoregressivo integrato a media mobile (ARIMA), NPTS genera previsioni per ogni serie temporale individualmente. Le serie temporali nel set di dati possono avere lunghezze diverse. I punti temporali in cui le osservazioni sono disponibili sono chiamati l'intervallo di training e i punti temporali in cui occorre fare la previsione sono chiamati l'intervallo di previsione.
I forecaster NPTS di Amazon Forecast dispongono delle seguenti varianti: NTPS, NTPS stagionale, forecaster climatologico e forecaster climatologico stagionale.
**Topics**
+ [NPTS](#aws-forecast-recipe-npts-variants-npts)
+ [NPTS stagionale](#aws-forecast-recipe-npts-variants-seasonal)
+ [Forecaster climatologico](#aws-forecast-recipe-npts-variants-climatological)
+ [Forecaster climatologico stagionale](#aws-forecast-recipe-npts-variants-seasonal-climatological)
+ [Caratteristiche stagionali](#aws-forecast-recipe-npts-seasonal-features)
+ [Best practice](#aws-forecast-recipe-npts-recommended-practices)
### NPTS
In questa variante, le previsioni vengono generate campionando da tutte le osservazioni nell'intervallo di training della serie temporale. Tuttavia, anziché campionare uniformemente da tutte le osservazioni, questa variante assegna un peso a ciascuna delle osservazioni passate in base alla sua distanza dalla fase temporale corrente in cui è necessaria la previsione. In particolare, utilizza pesi che decadono esponenziale in base alla distanza delle osservazioni passate. In questo modo, le osservazioni del passato recente vengono campionate con probabilità molto più elevata rispetto alle osservazioni del passato lontano. Questo presuppone che il passato vicino sia più indicativo per il futuro rispetto al passato lontano. Puoi controllare la quantità di decadimento nei pesi con l'iperparametro `exp_kernel_weights`.
Per usare questa variante NPTS in Amazon Forecast, imposta l'iperparametro `use_seasonal_model` su `False` e accetta tutte le altre impostazioni predefinite.
### NPTS stagionale
La variante NPTS stagionale è simile a NPTS tranne che anziché eseguire il campionamento da tutte le osservazioni, utilizza solo le osservazioni dalle *stagioni* passate. Per impostazione predefinita, la stagione è determinata dalla granularità della serie temporale. Ad esempio, nel caso di una serie temporale oraria, per fare una previsione per ora *t*, questa variante esegue il campionamento dalle osservazioni corrispondenti all'ora *t* nei giorni precedenti. Analogamente a NPTS, l'osservazione nell'ora *t* nel giorno precedente ha un peso maggiore rispetto alle osservazioni nell'ora *t* in giorni precedenti. Per ulteriori informazioni su come determinare la stagionalità in base alla granularità della serie temporale, consulta [Caratteristiche stagionali](#aws-forecast-recipe-npts-seasonal-features).
### Forecaster climatologico
La variante forecaster climatologico campiona tutte le osservazioni passate con probabilità uniforme.
Per usare il forecaster climatologico, imposta l'iperparametro `kernel_type` su `uniform` e l'iperparametro `use_seasonal_model` su `False`. Accetta le impostazioni predefinite per tutti gli altri iperparametri.
### Forecaster climatologico stagionale
Analogamente all'NPTS stagionale, il forecaster climatologico stagionale campiona le osservazioni delle stagioni passate ma senza probabilità uniforme.
Per usare il forecaster climatologico stagionale, imposta l'iperparametro `kernel_type` su `uniform`. Accetta tutte le impostazioni predefinite per tutti gli altri iperparametri.
### Caratteristiche stagionali
Per determinare che cosa corrisponde a una stagione per la variante NPTS stagionale e il forecaster climatologico stagionale, utilizza la tabella seguente. in cui vengono elencate le caratteristiche derivate per le frequenze temporali di base supportate, basate sulla granularità. Amazon Forecast include queste serie temporali delle caratteristiche, pertanto non è necessario fornirle.
****
| Frequenza delle serie temporali | Caratteristica per determinare la stagionalità |
| --- | --- |
| Minuto | minute-of-hour |
| Ora | hour-of-day |
| Day (Giorno) | day-of-week |
| Settimana | day-of-month |
| Mese | month-of-year |
### Best practice
Quando utilizzi algoritmi NPTS di Amazon Forecast, considera le seguenti best practice per preparare i dati e ottenere risultati ottimali:
+ Poiché NPTS genera previsioni per ogni serie temporale individualmente, fornire l'intera serie temporale quando si chiama il modello di previsione. Inoltre, accettare il valore predefinito dell'iperparametro `context_length`. In questo modo l'algoritmo utilizza l'intera serie temporale.
+ Se si modifica `context_length` (perché i dati di training sono troppo lunghi), assicurarsi che sia sufficientemente grande e che copra più stagioni passate. Ad esempio, per una serie temporale giornaliera, questo valore deve essere almeno 365 giorni (purché si disponga di questa quantità di dati).
## Iperparametri NPTS
Nella tabella seguente sono elencati gli iperparametri che puoi utilizzare nell'algoritmo NPTS.
| Nome parametro | Description |
| --- | --- |
| context\$1length | Il numero di punti temporali nel passato utilizzati dal modello per fare la previsione. Per impostazione predefinita, vengono utilizzati tutti i punti temporali nell'intervallo di training. In genere, il valore per questo iperparametro deve essere grande e deve coprire più stagioni passate. Ad esempio, per la serie temporale giornaliera questo valore deve essere di almeno 365 giorni. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/aws-forecast-recipe-npts.html) |
| kernel\$1type | Il kernel da usare per definire i pesi utilizzati per il campionamento delle osservazioni passate. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/aws-forecast-recipe-npts.html) |
| exp\$1kernel\$1weights | Valido solo quando `kernel_type` è `exponential`. Il parametro di dimensionamento del kernel. Per un decadimento più rapido (esponenziale) dei pesi assegnati alle osservazioni nel passato lontano, utilizzare un valore grande. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/aws-forecast-recipe-npts.html) |
| use\$1seasonal\$1model | Se utilizzare una variante stagionale. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/aws-forecast-recipe-npts.html) |
| use\$1default\$1time\$1features | Valido solo per le varianti *NPTS stagionale* e *forecaster climatologico stagionale*. Se utilizzare caratteristiche stagionali basate sulla granularità della serie temporale per determinare la stagionalità. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/forecast/latest/dg/aws-forecast-recipe-npts.html) |
# Algoritmo Prophet
[Prophet](https://facebook.github.io/prophet/) è un modello di serie temporali strutturali locali basate sul modello bayesiano. L'algoritmo Amazon Forecast Prophet utilizza la [classe Prophet](https://facebook.github.io/prophet/docs/quick_start.html#python-ap) dell'implementazione Python di Prophet.
## Funzionamento di Prophet
Prophet è molto utile per i set di dati che:
+ Contengono un periodo di tempo esteso (mesi o anni) di osservazioni storiche dettagliate (oraria, giornaliera o settimanale)
+ Dispongono di più stagionalità forti
+ Includono eventi importanti, ma irregolari, precedentemente noti
+ Non contengono alcuni punti dati o hanno outlier di grandi dimensioni
+ Mostrano trend di crescita non lineari che si avvicinano a un limite.
Prophet è un modello di regressione additivo con un trend della curva di crescita della logistica o lineare a tratti. Include un componente stagionale annuale modellato utilizzando serie Fourier e un componente stagionale settimanale modellato utilizzando variabili fittizie.
Per ulteriori informazioni, consulta [Prophet: previsioni su larga scala](https://research.facebook.com/blog/2017/2/prophet-forecasting-at-scale/).
## Iperparametri Prophet e serie temporali correlate
Amazon Forecast utilizza gli [iperparametri](https://facebook.github.io/prophet/docs/quick_start.html#python-ap) predefiniti di Prophet. Prophet supporta anche le serie temporali correlate come funzionalità, fornite ad Amazon Forecast nel file CSV delle serie temporali correlato.