# ステップ 3: 予測子を作成する 予測変数は 2 つの方法で作成できます。1 つは [AutoML](https://docs.aws.amazon.com/forecast/latest/dg/automl.html) を実行する方法で、もう 1 つは Amazon Forecast に組み込まれている 6 つのアルゴリズムのうちの 1 つを手動で選択する方法です。AutoML を実行すると、Amazon Forecast は 6 つの組み込みアルゴリズム (本書の作成時) を自動的にテストし、P10 、P50 (中央値)、P90 の予測値から算出した平均分位損失が最も小さいアルゴリズムを選択します。 Amazon Forecast には 4 つのローカルモデルがあります。 + 自己回帰和分移動平均 ([ARIMA](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-arima.html)) + 指数平滑法 ([ETS](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-ets.html)) + ノンパラメトリック時系列 ([NPTS](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-npts.html)) + [Prophet](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-prophet.html) ローカルモデルとは、1 つのモデルを個々の時系列 (または特定の項目とディメンションの組み合わせ) に合わせ、これらのモデルを使用して時系列を将来に当てはめる予測メソッドです。 ARIMA と ETS は、R 予測パッケージの一般的なローカルモデルのスケーラブルバージョンです。Amazon で開発されたローカルメソッドである NPTS は、他のローカルモデルと比較すると大きな違いがあります。前回の値や適切な季節での値を繰り返してポイント予測を提供する単純な季節予測機能とは異なり、NPTS は確率的な予測を行います。NPTS は固定時間インデックスを使用します。ここで、前のインデックス (T - 1) または過去のシーズン (T - tau) がタイムステップ T の予測です。アルゴリズムは、セット {0, ..., T - 1} の時間インデックス (t) をランダムにサンプリングして、現在のタイムステップ T のサンプルを生成します。NPTS は、ゼロの多い断続的な (スパースとも呼ばれる) 時系列データに特に効果的です。Forecast には、ベイズ構造時系列モデルであるProphet の Python 実装も含まれています。 Amazon Forecast には、次の 2 つのグローバル深層学習アルゴリズムが用意されています。 + [DeepAR\+](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) + [CNN-QR](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-algo-cnnqr.html) グローバルモデルは、データセット内の時系列の集合全体を対象に 1 つのモデルをトレーニングします。これは、一連の横断的な単位にわたって類似した時系列データがある場合に特に便利です。たとえば、さまざまな商品に対する需要、サーバーの負荷、ウェブページへのリクエストを時系列でグループ化することができます。 一般に、時系列データの数が増えるほど、CNN-QR と DeepAR\+ の有効性が高まります。これはローカルモデルには必ずしも当てはまりません。また、深層学習モデルを使用して、過去の売上データがほとんどない、またはまったくない新しい SKU の予測を生成することもできます。これは[コールドスタート予測](https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks/advanced/Forecast%20with%20Cold%20Start%20Items)として知られています。 ![Amazon Forecast で利用できるアルゴリズムの比較表](http://docs.aws.amazon.com/ja_jp/whitepapers/latest/time-series-forecasting-principles-with-amazon-forecast/images/amazon-forecast-algorithm-comparison.png) 関連時系列の詳細については、「[Related Time Series](https://docs.aws.amazon.com/forecast/latest/dg/related-time-series-datasets.html)」(関連時系列) を参照してください。