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 (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.