O Amazon Forecast não está mais disponível para novos clientes. Os clientes existentes do Amazon Forecast podem continuar usando o serviço normalmente. [Saiba mais](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/)
As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Conceitos básicos
Para começar a usar o Amazon Forecast, faça o seguinte.
+ Crie um conjunto de dados do Forecast e importe os dados de treinamento.
+ Crie um preditor do Forecast, que você usará para gerar previsões com base em seus dados de séries temporais. O Forecast aplica a combinação ideal de algoritmos a cada série temporal nos conjuntos de dados.
+ Gere uma previsão.
Neste exercício, você usa uma versão modificada de um conjunto de dados de uso de eletricidade disponível publicamente para treinar os preditores. Para obter mais informações, consulte Conjunto de [dados ElectricityLoadDiagrams 2011-2014](https://archive.ics.uci.edu/ml/datasets/ElectricityLoadDiagrams20112014). As linhas de exemplo a seguir são exemplos do conjunto de dados:
```
2014-01-01 01:00:00, 2.53807106598985, client_0
2014-01-01 01:00:00, 23.648648648648624, client_1
2014-01-01 02:00:00, 9.648648648612345, client_0
```
Para este exercício, você usa o conjunto de dados para treinar um preditor e prever o uso de eletricidade por hora do cliente.
Você pode usar o console Forecast ou o AWS Command Line Interface (AWS CLI) para este exercício. Preste atenção às regiões padrão do console Amazon Forecast, do e do AWS CLI Amazon Forecast SDKs, pois os recursos do Amazon Forecast não são compartilhados entre regiões.
**Importante**
Antes de começar, verifique se você tem um Conta da AWS e instalou AWS CLI o. Para obter mais informações, consulte [Configuração](setup.md). Recomendamos rever [Como funciona o Amazon Forecast](how-it-works.md).
**Topics**
+ [Preparar dados de entrada](#gs-upload-data-to-s3)
+ [Conceitos básicos (console)](gs-console.md)
+ [Conceitos básicos (AWS CLI)](gs-cli.md)
+ [Conceitos básicos (cadernos Python)](getting-started-python.md)
+ [Limpar recursos](#gs-cleanup)
## Preparar dados de entrada
Independentemente de você usar o console Amazon Forecast ou o AWS Command Line Interface (AWS CLI) para configurar um projeto de previsão, você precisa configurar seus dados de entrada. Para preparar os dados, você faz o seguinte:
+ Faça download dos dados de treinamento em seu computador e faça upload dos mesmos em um bucket do Amazon Simple Storage Service (Amazon S3) na sua Conta da AWS. Para importar os dados para um conjunto de dados do Amazon Forecast, você deve armazená-los em um bucket do Amazon S3.
+ Crie uma função AWS Identity and Access Management (IAM). Você concede permissão ao Amazon Forecast para acessar o bucket do S3 com o perfil do IAM. Para obter mais informações sobre funções do IAM, consulte [Perfis do IAM](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles.html) no *Guia do usuário do IAM*.
**Para preparar os dados de treinamento.**
1. Faça download do arquivo zip, [electricityusagedata.zip](samples/electricityusagedata.zip).
Neste exercício, você usa uma versão modificada do conjunto de dados de consumo individual de energia elétrica em casa. (Dua, D. e Karra Taniskidou, E. (2017). UCI Machine Learning Repository [[http://archive.ics.uci.edu/ml](http://archive.ics.uci.edu/ml)]. Irvine, CA: Universidade da Califórnia, Escola de Ciências da Informação e da Computação.) Agregamos os dados de uso por hora.
1. Descompacte o conteúdo e salve-o localmente como `electricityusagedata.csv`.
1. Faça upload do arquivo de dados em um bucket do S3.
Para step-by-step obter instruções, consulte Como [carregar arquivos e pastas usando o recurso de arrastar e soltar](https://docs.aws.amazon.com/AmazonS3/latest/user-guide/upload-objects.html) no *Guia do usuário do Amazon Simple Storage Service*.
1. Criar um perfil do IAM.
Se quiser usar o AWS CLI para o exercício de introdução, você deve criar uma função do IAM. Se usar o console, você poderá fazer com que ele crie a função para você. Para step-by-step obter instruções, consulte[Configurar permissões para o Amazon Forecast](aws-forecast-iam-roles.md).
Depois de concluir o upload dos dados para o Amazon S3, você estará pronto para usar o console Amazon Forecast ou AWS CLI para importar dados de treinamento, criar um preditor, gerar uma previsão e ver a previsão.
+ [Conceitos básicos (console)](gs-console.md)
+ [Conceitos básicos (AWS CLI)](gs-cli.md)
# Conceitos básicos (console)
Neste exercício, você usará o console do Amazon Forecast para importar dados de séries temporais do uso de eletricidade, criar um preditor com base no conjunto de dados de entrada e fazer previsões do uso futuro de eletricidade com base no horizonte da previsão.
Neste exercício, você usa uma versão modificada do conjunto de dados de consumo individual de energia elétrica em casa. (Dua, D. e Karra Taniskidou, E. (2017). UCI Machine Learning Repository [[http://archive.ics.uci.edu/ml](http://archive.ics.uci.edu/ml)]. Irvine, CA: Universidade da Califórnia, Escola de Ciências da Informação e da Computação.) Agregamos os dados de uso por hora. Os dados modificados estão disponíveis como arquivo zip, [electricityusagedata.zip](samples/electricityusagedata.zip).
**Pré-requisitos**
+ Um Conta da AWS. Se você ainda não tiver um Conta da AWS, crie um conforme descrito em[Inscreva-se para AWS](aws-forecast-set-up-aws-account.md).
+ Dados de treinamento no bucket do Amazon Simple Storage Service (Amazon S3). Para obter mais informações, consulte [Preparar dados de entrada](getting-started.md#gs-upload-data-to-s3).
+ Uma função AWS Identity and Access Management (IAM) que permite ao Amazon Forecast ler e gravar em seus buckets do S3. Para obter mais informações, consulte [Criar um perfil do IAM para o Amazon Forecast (console do IAM)](aws-forecast-iam-roles.md#aws-forecast-create-iam-role-with-console).
Saiba que existem várias etapas neste exercício que levarão vários minutos a algumas horas para serem concluídas.
## Etapa 1: Importar dados de treinamento
Para importar dados de séries temporais no Amazon Forecast, crie um grupo de conjunto de dados, escolha um domínio para esse grupo, especifique os detalhes dos dados, e aponte o Amazon S3 para o local dos dados. A série temporal de destino usada neste exemplo são dados [históricos de uso de eletricidade](getting-started.md#gs-upload-data-to-s3).
**nota**
Este exercício pressupõe que você não criou nenhum grupo de conjuntos de dados. Se você já tiver criado um grupo de conjuntos de dados, o que vê variará um pouco em relação às capturas de tela e instruções a seguir.
**Como importar dados de séries temporais para previsão**
1. Abra o console do Amazon Forecast em [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Na página inicial do Amazon Forecast, escolha **Criar grupo de conjuntos de dados**.
1. Na página **Create dataset group (Criar grupo de conjuntos de dados)**, em **Dataset group details (Detalhes do grupo de conjuntos de dados)**, forneça as seguintes informações:
+ **Nome do grupo de conjuntos de dados:** digite um nome para o grupo de conjuntos de dados.
+ **Domínio de previsão:** no menu suspenso, escolha **Personalizado**. Para obter mais informações sobre como escolher um domínio de previsão, consulte [domínios e tipos de conjuntos de dados](howitworks-domains-ds-types.md).
Deixe a seção **Tags** inalterada. A tela deve ser semelhante ao seguinte:
![\[Dataset group creation form with name field and forecasting domain dropdown.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/gs-step1-create-dsgroup.png)
1. Escolha **Próximo**.
1. Na página **Create target time series dataset (Criar conjunto de dados alvo de séries temporais)**, para **Dataset details (Detalhes do conjunto de dados)**, forneça as seguintes informações:
+ **Nome do conjunto de dados:** digite um nome para o conjunto de dados.
+ **Frequência dos seus dados:** mantenha o valor padrão **1** e, no menu suspenso, escolha **hora**. Essa configuração deve ser consistente com a dos dados de séries temporais de entrada. O intervalo de tempo nos dados de uso de eletricidade de exemplo é de uma hora.
+ **Esquema de dados:** escolha **Schema builder** e arraste os componentes da coluna de modo que correspondam à ordem dos dados de séries temporais de cima para baixo.
1. timestamp: use o **formato do carimbo de data e hora **padrão **yyyy-MM-dd HH:mm:ss**.
1. target\$1value
1. item\$1id
Para os dados de entrada de uso de eletricidade, as colunas correspondem a: um carimbo de data/hora, o uso de eletricidade na hora especificada (target\$1value) e o ID do cliente cobrado pelo uso da eletricidade (string). A ordem das colunas e o formato do carimbo de data e hora especificados aqui devem ser consistentes com os dados de séries temporais de entrada.
O painel **Detalhes do conjunto de dados** deve ser semelhante ao seguinte:
![\[Dataset details form with name, frequency, and schema builder sections for data configuration.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/gs-step1-create-dataset.png)
1. Em **Detalhes do trabalho de importação do conjunto de dados**, forneça as seguintes informações:
+ **Nome da importação de conjunto de dados:** insira um nome para o conjunto de dados.
+ **Selecionar fuso horário:** deixe o valor padrão selecionado (**Não usar fuso horário**).
+ **Localização dos dados:** use o seguinte formato para inserir o local do arquivo .csv no Amazon S3:
**s3:////**
+ **Perfil do IAM:** mantenha o padrão **Inserir o ARN de um perfil do IAM personalizado**.
Você também pode fazer com que o Amazon Forecast crie o perfil do IAM necessário para você, escolhendo **Criar um novo perfil** no menu suspenso e seguindo as instruções na tela.
+ **ARN do perfil do IAM personalizado:** insira o nome do recurso da Amazon (ARN) do perfil do IAM criado em [Criar um perfil do IAM para o Amazon Forecast (console do IAM)](aws-forecast-iam-roles.md#aws-forecast-create-iam-role-with-console).
O painel de **Detalhes do conjunto de dados** deve ser semelhante ao seguinte:
![\[Dataset import details form with fields for name, time zone, data location, and IAM role.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/gs-step1-import-data.png)
1. Escolha **Iniciar**. Se você voltar à página inicial do Amazon Forecast, selecione **Exibir grupo de conjuntos de dados**.
1. Clique no nome do grupo de conjuntos de dados que você acabou de criar. A página **Dashboard (Painel)** do grupo de conjuntos de dados é exibida. A tela deve ser semelhante ao seguinte:
![\[Dashboard overview showing steps: import data, train predictor, generate forecasts, explore insights.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/gs-step1-importing.png)
Ao lado de **Dados de séries temporais de destino**, você verá o status do trabalho de importação. Aguarde até que o Amazon Forecast conclua a importação dos dados de séries temporais. O processo pode demorar vários minutos ou mais. Quando o conjunto de dados for importado, o status mudará para **Ativo** e o banner na parte superior do painel notificará que os dados foram importados com êxito.
Agora que o conjunto de dados de séries temporais de destino foi importado, você pode criar um preditor.
## Etapa 2: Criar um preditor
Em seguida, você cria um preditor, que usará para gerar previsões com base nos dados de séries temporais. O Forecast aplica a combinação ideal de algoritmos a cada série temporal em seus conjuntos de dados.
Para criar um preditor com o console do Forecast, você especifica um nome de preditor, uma frequência de previsão e define um horizonte de previsão. Para obter mais informações sobre os campos adicionais que você pode configurar, consulte [Como treinar preditores](howitworks-predictor.md).
**Para criar um preditor**
1. Após a importação do conjunto de dados de séries temporais de destino, o **Dashboard (Painel)** do grupo de conjuntos de dados deve ser semelhante ao seguinte:
![\[Dashboard overview showing steps: import data, train predictor, generate forecasts, explore insights.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/gs-step2-start.png)
Em **Train a predictor (Treinar um preditor)**, selecione **Start (Iniciar)**. A página **Train predictor (Treinar preditor)** será exibida.
**nota**
O `Status` dos **Target time series data (Dados de séries temporais de destino)** deve ser `Active`, o que significa que a importação foi concluída com êxito, antes que você possa treinar o preditor.
1. Na página **Treinar preditor**, em **Configurações do preditor**, forneça as seguintes informações:
+ **Nome do preditor:** digite um nome para o preditor.
+ **Frequência de previsão:** mantenha o valor padrão **1**. No menu suspenso, escolha **hour (hora)**. Essa configuração deve ser consistente com a dos dados de séries temporais de entrada. O intervalo de tempo nos dados de uso de eletricidade de exemplo é de uma hora.
+ **Horizonte de previsão:** escolha até que ponto no futuro as previsões devem ser feitas. Esse número multiplicado pela frequência de entrada de dados (`hourly`) especificada em `Step 1: Import the Training Data` determina até que ponto no futuro as previsões devem ser feitas. Para este exercício, defina o número como `36`, para fornecerá previsões para 36 horas.
+ **Dimensões de previsão** e **Quantis de previsão:** mantenha os valores padrão nesses campos.
As seções **Configuração dos dados de entrada** e **Tags** restantes são opcionais; portanto, mantenha os valores padrão. As seções **Configurações do preditor** devem equivaler ao especificado a seguir:
![\[Predictor settings interface showing name, forecast configuration, and quantile options.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/gs-step2-predictor-details.png)
1. Escolha **Criar**. A página **Dashboard (Painel)** do grupo de conjuntos de dados é exibida. A tela deve ser semelhante ao seguinte:
![\[Dashboard overview showing steps: import data, train predictor, generate forecasts, explore insights.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/gs-step2-predictor-dashboard.png)
1. Para encontrar o status do preditor, escolha **Exibir preditores**.
1. Na página **Preditores**, encontre o status do seu preditor na coluna **Status do treinamento**. A tela deve ser semelhante ao seguinte:
![\[Predictors page showing one predictor in progress with training status and other details.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/gs-step2-predictor-status.png)
Aguarde até que o Amazon Forecast conclua o treinamento do preditor. O processo pode demorar vários minutos ou mais. Quando o preditor for treinado, o status mudará para **Ativo** e um banner será exibido, notificando que você pode começar a gerar previsões.
## Etapa 3: Criar uma previsão
Depois que o preditor estiver ativo, será possível criar uma previsão. Uma previsão é um grupo de predições, uma para cada item no conjunto de dados de destino. Para recuperar a previsão completa, crie um trabalho de exportação.
**Para obter e visualizar a previsão**
1. No **Painel** do grupo de conjuntos de dados, em **Geração de previsão**, escolha **Iniciar**. A página **Create a forecast (Criar uma previsão)** é exibida.
**nota**
O `Status` do **Predictor training (Treinamento do preditor)** deve ser `Active` antes que seja possível gerar uma previsão.
1. Na página **Create a forecast (Criar uma previsão)**, em **Forecast details (Detalhes da previsão)**, forneça as seguintes informações:
+ **Nome da previsão:** insira um nome para a previsão.
+ **Preditor:** no menu suspenso, escolha o preditor criado em `Step 2: Train a Predictor`.
Os campos **Quantis de previsão** e **Tags** são opcionais; portanto, mantenha os valores padrão. A tela deve ser semelhante ao seguinte:
![\[Forecast details form with fields for name, predictor info, and optional forecast types.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/gs-step3-forecast-details.png)
Clique em **Iniciar**.
1. A página **Previsões** é exibida. A tela deve ser semelhante ao seguinte:
![\[Forecasts page interface showing a single forecast in progress with status and creation details.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/gs-step3-creating-forecast.png)
A coluna **Status** listará o status da sua previsão. Aguarde até que o Amazon Forecast conclua a criação da previsão. O processo pode demorar vários minutos ou mais. Quando a previsão for criada, o status mudará para **Ativo**.
Agora que a previsão foi criada, você pode exportá-la.
## Etapa 4: Exportar uma previsão
Após a criação da previsão, você poderá exportar a previsão completa.
**Como exportar a previsão completa**
1. Na página de grupos de conjuntos de dados, escolha o grupo de conjuntos de dados que você criou em `Step 1: Import Training Data`.
1. Clique em ![\[Three horizontal lines representing a menu or navigation icon.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/menuNavPane.png) no canto superior esquerdo da tela para abrir o painel de navegação. Em seu grupo de conjuntos de dados, clique em **Previsões**.
1. Marque o botão de opção ao lado da previsão criada em `Step 3: Create a Forecast`.
1. Selecione **Create forecast export (Criar exportação de previsão)**. A página **Create forecast export (Criar exportação de previsão)** é exibida.
1. Na página **Create forecast export (Criar exportação de previsão)**, em **Export details (Detalhes da exportação)**, forneça as informações a seguir.
+ **Nome da exportação:** insira um nome para o trabalho de exportação de previsão.
+ **Perfil do IAM:** mantenha o padrão **Inserir o ARN de um perfil do IAM personalizado**.
Você também pode fazer com que o Amazon Forecast crie o perfil do IAM necessário para você, escolhendo **Criar um novo perfil** no menu suspenso e seguindo as instruções na tela.
+ **ARN do perfil do IAM personalizado:** insira o nome do recurso da Amazon (ARN) do perfil do IAM criado em [Criar um perfil do IAM para o Amazon Forecast (console do IAM)](aws-forecast-iam-roles.md#aws-forecast-create-iam-role-with-console).
+ **Se o local de exportação de previsão do S3:** use o formato a seguir para inserir o local da pasta ou do bucket do Amazon Simple Storage Service (Amazon S3) no bucket:
**s3:////**
A tela deve ser semelhante ao seguinte:
![\[Form for creating a forecast export with fields for export details and AWS configurations.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/createForecastExport.png)
1. Clique em **Iniciar**. A página **Previsões** é exibida.
1. Clique na previsão que você criou em `Step 3: Create a Forecast`. Localize a seção **Exportações**. A tela deve ser semelhante ao seguinte:
![\[Exports section showing a single forecast export job in progress with location and creation date.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/gs-step4-exporting.png)
Você deve ver o progresso do status. Aguarde até que o Amazon Forecast conclua a exportação da previsão. O processo pode demorar vários minutos ou mais. Quando sua previsão tiver sido exportada, o status mudará para **Active** (Ativo) e você poderá encontrar os arquivos de previsão no bucket do S3.
# Conceitos básicos (AWS CLI)
Neste exercício, você usa o AWS Command Line Interface (AWS CLI) para explorar o Amazon Forecast. Você cria um conjunto de dados do Amazon Forecast, treina um preditor e usa o preditor resultante para gerar uma previsão. Antes de começar, certifique-se de ter uma Conta da AWS e de ter configurado a AWS CLI. Para obter mais informações, consulte [Configuração](setup.md).
**nota**
Os AWS CLI comandos deste exercício foram testados no Linux. Para obter informações sobre como usar os AWS CLI comandos no Windows, consulte [Especificando valores de parâmetros para o AWS Command Line Interface](https://docs.aws.amazon.com/cli/latest/userguide/cli-using-param.html) no *Guia do AWS Command Line Interface Usuário*.
## Etapa 1: Importar dados de treinamento
Comece criando um conjunto de dados e importando os dados de uso de eletricidade nele.
**Para criar um conjunto de dados do Amazon Forecast**
1. Decida qual domínio e tipo de conjunto de dados são apropriados.
Os dados de treinamento que você importará no conjunto de dados influencia sua opção de domínio e tipo de conjunto de dados. Portanto, vamos analisar algumas linhas de exemplo dos dados de uso de eletricidade:
```
2014-01-01 01:00:00, 2.53807106598985, client_0
2014-01-01 01:00:00, 23.648648648648624, client_1
2014-01-01 02:00:00, 9.648648648612345, client_0
```
O formato dos dados é CSV (valores separados por vírgulas) e é coletado por hora (conforme mostrado pelos timestamps). Inclui as seguintes colunas:
+ Coluna 1: carimbos de data/hora que mostram quando o uso de eletricidade foi registrado.
+ Coluna 2: valores de uso de eletricidade por hora (observe como os valores de carimbo de data e hora aumentam por hora).
+ Coluna 3: valores de ID de cliente que identificam os clientes que usam eletricidade.
Para esses dados, escolha os seguintes domínio e tipo de conjunto de dados predefinidos:
+ Domínio personalizado: nenhum dos domínios de conjunto de dados, como METRICS, RETAIL ou WEB\$1TRAFFIC, se aplica a esses dados; portanto, escolha o domínio personalizado.
+ Tipo de séries temporais de destino: os dados são uma série temporal porque rastreiam o uso de eletricidade ao longo do tempo. Ele também inclui o *destino* que queremos prever (Coluna 2, uso de eletricidade). Portanto, escolha o tipo de conjunto de dados séries temporais de destino.
Para entender por que você escolhe esse tipo, consulte [Domínios e tipos de conjunto de dados predefinidos](howitworks-domains-ds-types.md).
1. Escolha um esquema de conjunto de dados.
O tipo de séries temporais de destino para o [Domínio CUSTOM](custom-domain.md) requer os campos `timestamp`, `target_value` e `item_id`. O campo `target_value` é o destino. O Amazon Forecast gera a previsão desse campo.
Para mapear os campos obrigatórios para colunas em seus dados, crie um esquema. Cada *atributo* no esquema é mapeado para um campo nos dados.
**Importante**
A ordem dos atributos no esquema deve corresponder à ordem dos campos nos dados de treinamento.
```
{
"Attributes":[
{
"AttributeName": "timestamp",
"AttributeType": "timestamp"
},
{
"AttributeName": "target_value",
"AttributeType": "float"
},
{
"AttributeName": "item_id",
"AttributeType": "string"
}
]
}
```
Agora você tem as informações necessárias para criar um conjunto de dados e importar dados nele.
1. Crie o conjunto de dados.
```
aws forecast create-dataset \
--dataset-name electricity_demand_ds \
--domain CUSTOM \
--dataset-type TARGET_TIME_SERIES \
--data-frequency H \
--schema '{
"Attributes": [
{
"AttributeName": "timestamp",
"AttributeType": "timestamp"
},
{
"AttributeName": "target_value",
"AttributeType": "float"
},
{
"AttributeName": "item_id",
"AttributeType": "string"
}
]
}'
```
Na solicitação, o valor `H` de `data-frequency` representa uma frequência de coleta de dados por hora. O seguinte é um exemplo de resposta.
```
{
"DatasetArn": "arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds"
}
```
Para obter mais informações sobre essa operação, consulte [CreateDataset](API_CreateDataset.md).
1. (Opcional) Obtenha a descrição do conjunto de dados:
```
aws forecast describe-dataset \
--dataset-arn arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds
```
O seguinte é um exemplo de resposta.
```
{
"DatasetName": "electricity_demand_ds",
"DatasetArn": "arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds",
"CreationTime": 1564533087.907,
"LastModificationTime": 1564533087.907,
"Domain": "CUSTOM",
"DatasetType": "TARGET_TIME_SERIES",
"DataFrequency": "H",
"Schema": { ... },
"EncryptionConfig": {},
"Status": "ACTIVE"
}
```
**nota**
A ordem dos pares de chave-valor na resposta é arbitrária.
1. Crie um grupo de conjuntos de dados e adicione o conjunto de dados a ele: O valor do parâmetro `domain` deve corresponder ao `domain` do conjunto de dados.
```
aws forecast create-dataset-group \
--dataset-group-name electricity_ds_group \
--dataset-arns arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds \
--domain CUSTOM
```
O seguinte é um exemplo de resposta.
```
{
"DatasetGroupArn": "arn:aws:forecast:us-west-2:acct-id:dataset-group/electricity_ds_group"
}
```
Para obter mais informações sobre essa operação, consulte [CreateDatasetGroup](API_CreateDatasetGroup.md).
1. (Opcional) Obtenha a descrição do grupo de conjuntos de dados.
```
aws forecast describe-dataset-group \
--dataset-group-arn arn:aws:forecast:us-west-2:acct-id:dataset-group/electricity_ds_group
```
O seguinte é um exemplo de resposta.
```
{
"DatasetGroupName": "electricity_ds_group",
"DatasetGroupArn": "arn:aws:forecast:us-west-2:acct-id:dataset-group/electricity_ds_group",
"DatasetArns": [
"arn:aws:forecast:us-west-2:acct-id:dataset-group/electricity_ds_group"
],
"Domain": "CUSTOM",
"CreationTime": 1564533719.852,
"LastModificationTime": 1564533719.852,
"Status": "ACTIVE"
}
```
1. Importe os dados de treinamento de uso de eletricidade do bucket do Amazon S3 para o conjunto de dados. O perfil do IAM fornecido por você deve ter permissão para ler dados do bucket do S3. Para obter informações sobre como criar um perfil do IAM, consulte [Criar um perfil do IAM para o Amazon Forecast (AWS CLI)](aws-forecast-iam-roles.md#aws-forecast-create-iam-role-with-cli).
```
aws forecast create-dataset-import-job \
--dataset-arn arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds \
--dataset-import-job-name electricity_ds_import_job \
--data-source '{
"S3Config": {
"Path": "s3://bucket/electricityusagedata.csv",
"RoleArn": "arn:aws:iam::acct-id:role/Role"
}
}'
```
Veja a seguir a sintaxe abreviada do parâmetro `data-source`.
```
--data-source S3Config="{Path='s3://bucket/electricityusagedata.csv',RoleArn='arn:aws:iam::acct-id:role/Role'}"
```
O seguinte é um exemplo de resposta.
```
{
"DatasetImportJobArn": "arn:aws:forecast:us-west-2:acct-id:dataset-import-job/electricity_demand_ds/electricity_ds_import_job"
}
```
Para obter mais informações sobre essa operação, consulte [CreateDatasetImportJob](API_CreateDatasetImportJob.md).
1. Verifique o status da importação.
```
aws forecast describe-dataset-import-job \
--dataset-import-job-arn arn:aws:forecast:us-west-2:acct-id:dataset-import-job/electricity_demand_ds/electricity_ds_import_job
```
O seguinte é um exemplo de resposta.
```
{
"DatasetImportJobName": "electricity_ds_import_job",
"DatasetImportJobArn": "arn:aws:forecast:us-west-2:acct-id:dataset-import-job/electricity_demand_ds/electricity_ds_import_job",
"DatasetArn": "arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds",
"DataSource": {
"S3Config": {
"Path": "s3://bucket/electricityusagedata.csv",
"RoleArn": "arn:aws:iam::acct-id:role/ForecastRole"
}
},
"DataSize": 0.14639010466635227,
"TimeStampFormat": "yyyy-MM-dd HH:mm:ss",
"CreationTime": 1564537011.114,
"LastModificationTime": 1564537028.223,
"Status": "CREATE_IN_PROGRESS"
}
```
Quando todos os dados tiverem sido importados, o status mudará para ACTIVE e a resposta incluirá estatísticas para os dados, conforme mostrado no exemplo a seguir.
```
{
"DatasetArn": "arn:aws:forecast:us-west-2:acct-id:dataset/electricity_demand_ds",
"Status": "ACTIVE",
"FieldStatistics": {
"date": {
"Min": "2014-01-01T01:00:00Z",
"Max": "2015-01-01T00:00:00Z",
"Count": 3241200,
"CountDistinct": 8760,
"CountNull": 0
},
"target": {
"Min": "0.0",
"Max": "168200.0",
"Avg": 606.5167610461679,
"Stddev": 3518.405223972031,
"Count": 3241200,
"CountDistinct": 1196961,
"CountNull": 0,
"CountNan": 0
},
"item": {
"Count": 3241200,
"CountDistinct": 370,
"CountNull": 0
}
},
...
}
```
**Importante**
Você deve aguardar até que o status esteja ACTIVE antes de criar um preditor com o grupo de conjuntos de dados.
Para obter mais informações sobre essa operação, consulte [DescribeDatasetImportJob](API_DescribeDatasetImportJob.md).
## Etapa 2: Criar um preditor
Para criar um preditor, você usa a operação [CreateAutoPredictor](API_CreateAutoPredictor.md) e fornece as seguintes informações:
+ **Nome do preditor:** atribua um nome ao preditor para que você possa distingui-lo de seus outros preditores
+ **Grupo de conjuntos de dados:** você criou o grupo de conjuntos de dados na etapa anterior.
+ **Frequência de previsão:** a granularidade de suas previsões (por hora, diariamente, semanalmente etc.).
+ **Horizonte de previsão:** o número de etapas de tempo que estão sendo previstas.
Depois que o preditor for criado, analise as métricas de precisão geradas pelo Amazon Forecast. As métricas ajudam você a decidir se deseja usar o preditor para gerar uma previsão. Para obter mais informações sobre preditores, consulte [Como treinar preditores](howitworks-predictor.md).
**Para criar um preditor e analisar as métricas de precisão**
1. Crie o preditor.
```
aws forecast create-predictor \
--predictor-name electricitypredictor \
--input-data-config DatasetGroupArn="arn:aws:forecast:us-west-2:acct-id:dsgroup/electricity_ds_group" \
--forecast-horizon 36 \
--forecast-frequency D
```
O seguinte é um exemplo de resposta.
```
{
"PredictorArn": "arn:aws:forecast:us-west-2:acct-id:predictor/electricitypredictor"
}
```
1. Obtenha o status do preditor.
```
aws forecast describe-predictor \
--predictor-arn arn:aws:forecast:us-west-2:acct-id:predictor/electricitypredictor
```
O seguinte é um exemplo de resposta.
```
{
"PredictorArn": "arn:aws:forecast:::predictor/electricitypredictor",
"PredictorName": "electricitypredictor",
"ForecastHorizon": 36,
"ForecastTypes": [
"0.1",
"0.5",
"0.9"
],
"ForecastFrequency": "D",
"DatasetImportJobArns": [
"arn:aws:forecast:::dataset-import-job/getting_started_dataset/gs_import"
],
"DataConfig": {
"DatasetGroupArn": "arn:aws:forecast:::dataset-group/getting_started",
"AttributeConfigs": [
{
"AttributeName": "target_value",
"Transformations": {
"aggregation": "sum",
"backfill": "zero",
"frontfill": "none",
"middlefill": "zero"
}
}
]
},
"EstimatedTimeRemainingInMinutes": 97,
"Status": "CREATE_IN_PROGRESS",
"CreationTime": "2022-02-23T09:26:24.643000-08:00",
"LastModificationTime": "2022-02-23T09:49:26.899000-08:00",
"ExplainabilityInfo": {
"Status": "NOT_AVAILABLE"
}
}
```
**Importante**
O treinamento do modelo é demorado. Não prossiga até que o treinamento seja concluído e o status do preditor seja ACTIVE.
1. Obtenha a precisão de métricas para o preditor.
```
aws forecast get-accuracy-metrics \
--predictor-arn arn:aws:forecast:us-west-2:acct-id:predictor/electricitypredictor
```
O seguinte é um exemplo de resposta.
```
{
"PredictorEvaluationResults": [
{
"TestWindows": [
{
"EvaluationType": "SUMMARY",
"Metrics": {
"RMSE": 448.19602551622864,
"WeightedQuantileLosses": [
{
"Quantile": 0.9,
"LossValue": 0.11574311406253326
},
{
"Quantile": 0.5,
"LossValue": 0.1706269067283527
},
{
"Quantile": 0.1,
"LossValue": 0.11724164222477837
}
]
}
},
{
"EvaluationType": "COMPUTED",
"Metrics": {
"RMSE": 448.19602551622864,
"WeightedQuantileLosses": [
{
"Quantile": 0.9,
"LossValue": 0.11574311406253326
},
{
"Quantile": 0.5,
"LossValue": 0.1706269067283527
},
{
"Quantile": 0.1,
"LossValue": 0.11724164222477837
}
]
},
"TestWindowEnd": 1420070400.0,
"TestWindowStart": 1420002000.0
}
]
}
]
}
```
As métricas mostram a perda de erro para cada quantil. Por exemplo, ocorreu um erro de 11,7% para o primeiro quantil. As métricas também mostram o root-mean-square erro (`RMSE`).
As métricas de resumo mostram a média das métricas calculadas em todas as janelas de teste. Como havia apenas uma janela de teste, o resumo e as métricas calculadas são iguais.
Para obter mais informações sobre essa operação, consulte [GetAccuracyMetrics](API_GetAccuracyMetrics.md).
## Etapa 3: Criar uma previsão
O Amazon Forecast gera uma previsão para o campo `target_value` (conforme determinado pelo domínio e tipo de conjunto de dados) em cada `item_id` exclusivo no conjunto de dados. Neste exercício, o `target_value` campo fornece o uso de eletricidade e o `item_id` cliente IDs. Você obtém uma previsão para o uso de eletricidade por hora pelo cliente.
Após a criação da previsão, é possível consultar um único item ou exportar a previsão completa.
**Para criar, recuperar e exportar uma previsão**
1. Crie a previsão.
```
aws forecast create-forecast \
--forecast-name electricityforecast \
--predictor-arn arn:aws:forecast:us-west-2:acct-id:predictor/electricitypredictor
```
A operação usa o preditor para criar uma previsão. Na resposta, você obtém o nome de recurso da Amazon (ARN) da previsão. Esse ARN é usado para recuperar e exportar a previsão. O seguinte é um exemplo de resposta.
```
{
"ForecastArn": "arn:aws:forecast:us-west-2:acct-id:forecast/electricityforecast"
}
```
Para obter mais informações sobre essa operação, consulte [CreateForecast](API_CreateForecast.md).
1. Recupere as duas primeiras horas da previsão para o `client_1`.
**nota**
O nome do serviço, `forecastquery`, é diferente do nome do serviço usado em outro lugar.
```
aws forecastquery query-forecast \
--forecast-arn arn:aws:forecast:us-west-2:acct-id:forecast/electricityforecast \
--start-date 2015-01-01T00:00:00 \
--end-date 2015-01-01T02:00:00 \
--filters '{"item_id":"client_1"}'
```
A operação inclui os parâmetros a seguir.
+ `start-date` e `end-date`: especifica um intervalo de datas opcional no qual a previsão será recuperada. Se você não especificar esses parâmetros, a operação retornará a previsão inteira para `client_1`.
+ `filters`: especifica o filtro `item_id` para recuperar a previsão de eletricidade para `client_1`.
Veja a seguir a sintaxe abreviada do parâmetro `filters`.
```
--filters item_id="client_1"
```
O seguinte é um exemplo de resposta.
```
{
"Forecast": {
"Predictions": {
"mean": [
{
"Timestamp": "2015-01-01T01:00:00",
"Value": 20.952411651611328
},
{
"Timestamp": "2015-01-01T02:00:00",
"Value": 19.11078453063965
}
],
"p90": [
{
"Timestamp": "2015-01-01T01:00:00",
"Value": 24.524038314819336
},
{
"Timestamp": "2015-01-01T02:00:00",
"Value": 22.319091796875
}
],
"p50": [
{
"Timestamp": "2015-01-01T01:00:00",
"Value": 20.7841739654541
},
{
"Timestamp": "2015-01-01T02:00:00",
"Value": 19.237524032592773
}
],
"p10": [
{
"Timestamp": "2015-01-01T01:00:00",
"Value": 18.507278442382812
},
{
"Timestamp": "2015-01-01T02:00:00",
"Value": 16.15062141418457
}
]
}
}
}
```
Como essa é uma previsão por hora, a resposta mostra valores de previsão por hora. Na resposta, observe o seguinte:
+ `mean`: na data e hora especificadas, a média é o valor médio de uso de eletricidade previsto para o cliente.
+ `p90`, `p50` e `p10`: especifica o nível de confiança de que o valor real estará abaixo do valor listado na data e hora especificadas. Por exemplo, em 2015-01-01T01:00:00, o Amazon Forecast está 90% confiante de que o uso de eletricidade estará abaixo de 24,5. O Amazon Forecast tem 50% de confiança de que o uso estará abaixo de 20,8 e 10% de confiança de que o uso estará abaixo de 18,5.
Para obter mais informações sobre essa operação, consulte [QueryForecast](API_forecastquery_QueryForecast.md).
1. Exporte a previsão completa para o bucket do Amazon S3. O perfil do IAM fornecido deve ter permissão para gravar dados no bucket do S3. Para obter informações sobre como criar um perfil do IAM, consulte [Criar um perfil do IAM para o Amazon Forecast (AWS CLI)](aws-forecast-iam-roles.md#aws-forecast-create-iam-role-with-cli).
Crie um trabalho de exportação de previsão.
```
aws forecast create-forecast-export-job \
--forecast-export-job-name electricityforecast_exportjob \
--forecast-arn arn:aws:forecast:us-west-2:acct-id:forecast/electricityforecast \
--destination S3Config="{Path='s3://bucket',RoleArn='arn:aws:iam::acct-id:role/Role'}"
```
O seguinte é um exemplo de resposta.
```
{
"ForecastExportJobArn": "arn:aws:forecast::us-west-2:acct-id:forecast-export/64bbc087"
}
```
Para obter mais informações sobre essa operação, consulte [CreateForecastExportJob](API_CreateForecastExportJob.md).
1. Obtenha o status do trabalho de exportação.
```
aws forecast describe-forecast-export-job \
--forecast-export-job-arn arn:aws:forecast:us-west-2:acct-id:forecast/electricityforecast
```
O seguinte é um exemplo de resposta.
```
{
"ForecastExportJobArn": "arn:aws:forecast::us-west-2:acct-id:forecast-export/64bbc087",
"ForecastExportJobName": "electricityforecast_exportjob",
"Status": "CREATE_IN_PROGRESS"
}
```
Quando o status for ACTIVE, os arquivos de previsão podem ser encontrados no bucket do S3 especificado.
# Conceitos básicos (cadernos Python)
**nota**
Para obter uma lista completa de tutoriais que usam cadernos Python, consulte a página de [exemplos do Github](https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks) do Amazon Forecast.
Para começar a usar o Amazon Forecast APIs com notebooks Python, consulte o Tutorial de [introdução](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/basic/Getting_Started/Amazon_Forecast_Quick_Start_Guide.ipynb). O tutorial orienta você pelas etapas principais do Forecast do início ao fim.
Para obter tutoriais básicos de processos específicos, consulte os seguintes cadernos Python:
1. [Preparing data:](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/1.Importing_Your_Data.ipynb) prepare um conjunto de dados, crie um grupo de conjuntos de dados, defina o esquema e importe o grupo de conjuntos de dados.
1. [Building your predictor:](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/2.Building_Your_Predictor.ipynb) treine um preditor com base nos dados que você importou para o conjunto de dados do Forecast.
1. [Evaluating predictors:](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/3.Evaluating_Your_Predictor.ipynb) obtenha previsões, visualize previsões e compare resultados.
1. [Retraining predictors:](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/advanced/Retraining_AutoPredictor/Retraining.ipynb) treine novamente um preditor existente com dados atualizados.
1. [Atualize para AutoPredictor](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/basic/Upgrading_to_AutoPredictor/UpgradeToAutoPredictor.ipynb) - Atualize os preditores legados para AutoPredictor.
1. [Clean Up](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/4.Cleanup.ipynb) - Exclua grupos de conjuntos de dados, preditores e previsões criados durante os tutoriais.
Para repetir o tutorial de conceitos básicos do AutoML, consulte [Conceitos básicos do AutoML](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Getting_started_with_AutoML/Getting_started_with_AutoML.ipynb).
## Tutoriais avançados
Para obter tutoriais mais avançados, consulte os seguintes cadernos Python:
+ [Item-level Explainability:](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/advanced/Item_Level_Explainability/Item_Level_Explanability.ipynb) entenda como os atributos de conjunto de dados afetam as previsões de séries temporais e pontos no tempo específicos.
+ [Comparing multiple models:](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Compare_Multiple_Models/Compare_Multiple_Models.ipynb) crie preditores usando Prophet, ETS e DeepAR\$1 e compare o desempenhos deles visualizando os resultados.
+ [Cold start forecasting:](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Forecast%20with%20Cold%20Start%20Items/Forecast%20with%20Cold%20Start%20Items.ipynb) use metadados de itens e o algoritmo DeepAR\$1 para prever cenários de inicialização a frio (quando há pouco ou nenhum dado histórico).
+ [Incorporating related time-series datasets:](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Incorporating_Related_Time_Series_dataset_to_your_Predictor/Incorporating_Related_Time_Series_dataset_to_your_Predictor.ipynb) use conjuntos de dados de séries temporais relacionados para melhorar a precisão do seu modelo.
+ [Incorporating item metadata:](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Incorporating_Item_Metadata_Dataset_to_your_Predictor/Incorporating_Item_Metadata_Dataset_to_your_Predictor.ipynb) use metadados de itens para melhorar a precisão do seu modelo.
+ [Using the Weather Index:](https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks/advanced/Weather_index) use o Weather Index para incorporar informações meteorológicas históricas e projetadas ao treinar seus preditores.
+ [Performing What-if analysis:](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/WhatIf_Analysis/WhatIf_Analysis.ipynb) explore diferentes cenários de preços e avalie como isso afetará a demanda.
+ [Evaluate item-level accuracy:](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Item_Level_Accuracy/Item_Level_Accuracy_Using_Bike_Example.ipynb) exporte métricas e previsões de backtest e avalie o desempenho do preditor no nível do item.
## Limpar recursos
Para evitar cobranças desnecessárias, exclua os recursos que você criou depois de concluir o exercício de conceitos básicos. Para excluir os recursos, use o console do Amazon Forecast ou o `Delete` APIs do SDKs ou do AWS Command Line Interface (AWS CLI). Por exemplo, use a API [DeleteDataset](API_DeleteDataset.md) para excluir um conjunto de dados.
Para excluir um recurso, seu status deve ser `ACTIVE`, `CREATE_FAILED` ou `UPDATE_FAILED`. Verifique o status usando `Describe` APIs, por exemplo,[DescribeDataset](API_DescribeDataset.md).
Alguns recursos devem ser excluídos antes de outros, conforme mostrado na tabela a seguir. Esse processo pode levar algum tempo.
Para excluir os dados de treinamento do qual você fez upload, ` electricityusagedata.csv`, consulte [Como excluir objetos de um bucket do S3?](https://docs.aws.amazon.com/AmazonS3/latest/userguide/delete-objects.html).
| Recurso a excluir | Excluir este primeiro | Observações |
| --- | --- | --- |
| ForecastExportJob | | |
| Forecast | | Não é possível excluir uma previsão enquanto ela está sendo exportada. Depois que uma previsão é excluída, você não poderá mais consultá-la. |
| Predictor | Todas as previsões associadas. | |
| DatasetImportJob | | Não pode ser excluído. |
| Dataset | | Todos os `DatasetImportJob`s que têm como destino o conjunto de dados também são excluídos. Não é possível excluir um `Dataset` que é usado por um preditor. |
| DatasetSchema | Todos os conjuntos de dados que fazem referência ao esquema. | |
| DatasetGroup | Todos os preditores associadosTodas as previsões associadas.Todos os conjuntos de dados no grupo de conjuntos de dados. | Não é possível excluir um `DatasetGroup` que contém um `Dataset` usado por um preditor. |