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.
# Como treinar preditores
Preditor é um modelo do Amazon Forecast treinado usando séries temporais de destino, séries temporais relacionadas, metadados do item e todos os conjuntos de dados adicionais incluídos. É possível usar preditores para gerar previsões com base em dados de séries temporais.
Por padrão, o Amazon Forecast cria um AutoPredictor, onde o Forecast aplica a combinação ideal de algoritmos a cada série temporal em seus conjuntos de dados.
**Topics**
+ [Como criar um preditor](#creating-predictors)
+ [Atualizando para AutoPredictor](#upgrading-autopredictor)
+ [Agregação de dados para diferentes frequências de previsão](data-aggregation.md)
+ [Usar conjuntos de dados adicionais](#using-additional-datasets)
+ [Trabalhar com preditores antigos](#legacy-predictors)
+ [Avaliação da precisão do preditor](metrics.md)
+ [Preditores de reciclagem](retrain-predictors.md)
+ [Weather Index](weather.md)
+ [Caracterização Holidays](holidays.md)
+ [Explicabilidade do preditor](predictor-explainability.md)
+ [Monitoramento de preditores](predictor-monitoring.md)
+ [Algoritmos do Amazon Forecast](aws-forecast-choosing-recipes.md)
## Como criar um preditor
Para treinar um preditor, o Amazon Forecast precisa das seguintes entradas:
+ **Grupo de conjuntos de dados**: um grupo de conjuntos de dados que deve incluir um conjunto de dados de séries temporais de destino. O conjunto de dados de séries temporais de destino inclui o atributo de destino (`item_id`) e o atributo de carimbo de data e hora, bem como todas as dimensões. As séries temporais relacionadas e os metadados do item são opcionais. Para obter mais informações, consulte [Importação de conjuntos de dados](howitworks-datasets-groups.md).
+ **Frequência de previsão:** a granularidade de suas previsões (por hora, diariamente, semanalmente etc.). O Amazon Forecast permite determinar a granularidade exata das previsões ao fornecer a unidade de frequência e o valor. Somente valores inteiros são permitidos
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/howitworks-predictor.html)
Por exemplo, se quiser previsões a cada duas semanas, a unidade de frequência será por semana e o valor será 2. Ou, se quiser previsões trimestrais, a unidade de frequência será mensal e o valor será 3.
Quando os dados são coletados com uma frequência maior do que a prevista, eles são agregados à frequência da previsão. Isso inclui a série temporal final e os dados relacionados. Para obter mais informações sobre agregações, consulte [Agregação de dados para diferentes frequências de previsão](data-aggregation.md).
+ **Horizonte de previsão**: o número de etapas de tempo que estão sendo previstas.
Também é possível definir valores para as seguintes entradas opcionais:
+ **Limite de alinhamento de tempo**: o tempo que o Forecast usa para agregar os dados e gerar previsões alinhadas à frequência de previsão especificada. Para obter mais informações sobre agregações, consulte [Agregação de dados para diferentes frequências de previsão](data-aggregation.md). Para obter informações sobre como especificar um limite de tempo, consulte [Limites de tempo](data-aggregation.md#time-boundaries).
+ **Dimensões de previsão**: dimensões são atributos opcionais no conjunto de dados de séries temporais de destino que podem ser usados em combinação com o valor de destino (`item_id`) para criar séries temporais separadas.
+ **Tipos de previsão**: os quantis usados para avaliar o preditor.
+ **Métrica de otimização**: a métrica de precisão usada para otimizar o preditor.
+ **Conjuntos de dados adicionais**: conjuntos de dados integrados do Amazon Forecast, como Weather Index e Holidays.
É possível criar um preditor utilizando o kit de desenvolvimento de software (SDK) ou o console do Amazon Forecast.
------
#### [ Console ]
**Para criar um preditor**
1. Faça login Console de gerenciamento da AWS e abra o console do Amazon Forecast em [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Na página **Grupos de conjuntos de dados**, escolha seu grupo de conjuntos de dados.
1. No painel de navegação, selecione **Preditores**.
1. Escolha **Treinar novo preditor**.
1. Forneça os valores para os seguintes campos obrigatórios:
+ **Nome**: um nome de preditor exclusivo.
+ **Frequência de previsão**: a granularidade das previsões.
+ **Horizonte de previsão**: o número de etapas de tempo a serem previstas.
1. Escolha **Iniciar**.
Para obter informações sobre conjuntos de dados adicionais, consulte [Weather Index](weather.md) e [Caracterização Holidays](holidays.md). Para saber mais sobre como personalizar tipos de previsão e métricas de otimização, consulte [Avaliação da precisão do preditor](metrics.md).
------
#### [ AWS CLI ]
Para criar um preditor automático com o AWS CLI, use o `create-predictor` comando. O seguinte código cria um preditor automático que faz previsões para 14 dias no futuro.
Forneça um nome para o preditor e o nome do recurso da Amazon (ARN) do grupo de conjuntos de dados que inclui os dados de treinamento. Opcionalmente, modifique o horizonte e a frequência da previsão. Se desejar, adicione tags ao preditor. Para obter mais informações, consulte [Marcação de recursos do Amazon Forecast](tagging-forecast-resources.md).
Para obter informações sobre os parâmetros obrigatórios e opcionais, consulte [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
```
Para saber mais sobre como personalizar tipos de previsão e métricas de otimização, consulte [Avaliação da precisão do preditor](metrics.md). Os conjuntos de dados adicionais Weather Index e Holidays são definidos no tipo de dados `DataConfig`. Para obter informações sobre conjuntos de dados adicionais, consulte [Weather Index](weather.md) e [Caracterização Holidays](holidays.md).
------
#### [ Python ]
Para criar um preditor automático com o SDK para Python (Boto3), use o método `create_auto_predictor`. O seguinte código cria um preditor automático que faz previsões para 14 dias no futuro.
Forneça um nome para o preditor e o nome do recurso da Amazon (ARN) do grupo de conjuntos de dados que inclui os dados de treinamento. Opcionalmente, modifique o horizonte e a frequência da previsão. Se desejar, adicione tags ao preditor. Para obter mais informações, consulte [Marcação de recursos do Amazon Forecast](tagging-forecast-resources.md).
Para obter informações sobre os parâmetros obrigatórios e opcionais, consulte [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'])
```
Para saber mais sobre como personalizar tipos de previsão e métricas de otimização, consulte [Avaliação da precisão do preditor](metrics.md). Os conjuntos de dados adicionais Weather Index e Holidays são definidos no tipo de dados `DataConfig`. Para obter informações sobre conjuntos de dados adicionais, consulte [Weather Index](weather.md) e [Caracterização Holidays](holidays.md).
------
## Atualizando para AutoPredictor
**Cadernos Python**
Para obter um step-by-step guia sobre como atualizar preditores para AutoPredictor, consulte [Atualizando um](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/basic/Upgrading_to_AutoPredictor/UpgradeToAutoPredictor.ipynb) preditor para. AutoPredictor
Os preditores criados com AutoML ou seleção manual CreatePredictor () podem ser atualizados para um. AutoPredictor A atualização de um to existente AutoPredictor transferirá todas as configurações relevantes do preditor.
Após a atualização para AutoPredictor, o preditor original permanecerá ativo e o preditor atualizado terá um ARN de preditor separado. Isso permite comparar métricas de precisão entre os dois preditores e ainda é possível gerar previsões com o preditor original.
É possível atualizar um preditor utilizando o kit de desenvolvimento de software (SDK) ou o console do Amazon Forecast.
------
#### [ Console ]
**Como atualizar um preditor**
1. Faça login Console de gerenciamento da AWS e abra o console do Amazon Forecast em [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. No painel de navegação, selecione **Preditores**.
1. Selecione o preditor a ser atualizado e escolha **Atualizar**.
1. Defina um nome exclusivo para o preditor atualizado.
1. Escolha **Atualizar para AutoPredictor**.
------
#### [ CLI ]
Para atualizar um preditor com o AWS CLI, use o `create-predictor` método, mas especifique *somente* o nome do preditor e o valor do `reference-predictor-arn` (o ARN do preditor que você deseja atualizar).
```
aws forecast create-predictor \
--predictor-name predictor_name \
--reference-predictor-arn arn:aws:forecast:region:account:predictor/predictorName
```
------
#### [ Python ]
Para atualizar um preditor com o SDK para Python (Boto3), use o método `create_auto_predictor`, mas especifique *somente* o nome do preditor e o valor de `ReferencePredictorArn` (o ARN do preditor a ser atualizado).
```
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'])
```
------
# Agregação de dados para diferentes frequências de previsão
Ao criar um preditor, você deve especificar uma frequência de previsão. A frequência da previsão determina a frequência das previsões. Por exemplo, previsões mensais de vendas. Os preditores do Amazon Forecast podem gerar previsões para frequências de dados maiores do que a frequência de previsão especificada. Por exemplo, você pode gerar previsões semanais mesmo que seus dados sejam registrados diariamente. Durante o treinamento, o Forecast agrega os dados diários para gerar previsões na frequência de previsão semanal.
**Topics**
+ [Como funciona a agregação](how-aggregation-works.md)
+ [Limites de tempo](#time-boundaries)
+ [Suposições de agregação de dados](aggregation-guidelines.md)
# Como funciona a agregação
Durante o treinamento, o Amazon Forecast agrega quaisquer dados que não estejam alinhados à frequência de previsão que você especificou. Por exemplo, você pode ter alguns dados diários, mas especificar uma frequência de previsão semanal. O Forecast alinha os dados diários com base na semana à qual eles pertencem. O Forecast, então, os combina em um único registro para cada semana. O Forecast determina a qual semana (ou mês ou dia e assim por diante) os dados pertencem com base na sua relação com um limite de tempo. Os limites de tempo especificam o início de uma unidade de tempo; por exemplo, a hora em que o dia começa ou em que dia a semana começa.
Para previsões por hora e minuto, ou limites de tempo não especificados, o Forecast usa um limite de tempo padrão com base na unidade de tempo da sua frequência. Para preditores automáticos com frequências de previsão diárias, semanais, mensais ou anuais, é possível especificar um limite de tempo personalizado. Para obter mais informações sobre os limites de tempo, consulte [Limites de tempo](data-aggregation.md#time-boundaries).
Durante a agregação, o método de transformação padrão é somar os dados. Você pode configurar a transformação ao criar seu preditor. Para isso, vá até a seção **Configuração dos dados de entrada** na página **Criar preditor** no console do Forecast. Ou você pode definir o método de transformação no `Transformations` parâmetro [AttributeConfig](API_AttributeConfig.md) da CreateAutoPredictor operação.
As tabelas a seguir mostram um exemplo de agregação para uma frequência de previsão por hora usando o limite de tempo padrão: cada hora começa no início da hora.
**Pré-transformação**
| Tempo | Dados | Na hora cheia |
| --- | --- | --- |
| 2018-03-03 01:00:00 | 100 | Sim |
| 2018-03-03 02:20:00 | 50 | Não |
| 2018-03-03 02:45:00 | 20 | Não |
| 2018-03-03 04:00:00 | 120 | Sim |
**Pós-transformação**
| Tempo | Dados | Observações |
| --- | --- | --- |
| 2018-03-03 01:00:00 | 100 | |
| 2018-03-03 02:00:00 | 70 | Soma dos valores entre 02:00:00 e 02:59:59 (50\$120) |
| 2018-03-03 03:00:00 | Vazio | Nenhum valor entre 03:00:00 e 03:59:59 |
| 2018-03-03 04:00:00 | 120 | |
A figura a seguir mostra como o Forecast transforma dados para se ajustarem ao limite de tempo semanal padrão.
![\[Raw sales data points transformed into a smooth demand time series curve over weekly intervals.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/data-alignment.png)
## Limites de tempo
Os limites de tempo especificam o início de uma unidade de tempo; por exemplo, em que dia a semana começa. Antes de agregar seus dados, o Amazon Forecast alinha os dados com base na unidade de tempo da sua frequência de previsão. Ele faz isso com base na relação dos dados com um limite de tempo.
Por exemplo, se você especificar uma frequência de previsão diária, mas não seu próprio limite de tempo, o Forecast alinhará cada registro por hora com base no dia ao qual ele pertence. Cada dia começa na hora 0. A definição de quando o dia começa, hora 0, é o limite de tempo. Em seguida, o Forecast agrega os registros por hora em um único registro desse dia.
O Forecast usa um limite de tempo padrão com base na unidade de tempo da sua frequência de previsão. Se você criar um preditor automático, poderá especificar um limite de tempo personalizado.
Se você especificar um limite de tempo personalizado e uma frequência de previsão personalizada, o Forecast agregará seus dados na frequência de previsão e os alinhará ao limite de tempo personalizado. A frequência de previsão determina a frequência com que os dados são agregados, enquanto o limite de tempo personalizado determina onde o alinhamento está localizado. Por exemplo, suponhamos que seus dados sejam coletados diariamente e você queira que o Amazon Forecast gere previsões trimestrais no dia 15 de cada mês durante um ano. Para fazer isso, defina a frequência de previsão para cada 3 meses e o limite de tempo personalizado para 15. Veja o AWS Command Line Interface exemplo a seguir.
```
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
```
Neste exemplo, todos os dados diários são somados (a agregação padrão) até o dia 15 de cada três meses.
Observe que essa agregação não exige dados diários, mas apenas que os dados sejam coletados mensalmente ou com mais frequência.
**Topics**
+ [limite de tempo padrão](#default-time-boundaries)
+ [Como especificar um limite de tempo](#specifying-time-boundary)
### limite de tempo padrão
A tabela a seguir lista os limites de alinhamento de tempo padrão que o Forecast usa ao agregar dados.
| Frequência | Limite |
| --- | --- |
| Minuto | Último início do minuto (45:00, 06:00) |
| Hora | Último início da hora (09:00:00, 13:00:00) |
| Dia | Primeira hora do dia (hora 0) |
| Semana | Última segunda-feira |
| Mês | Primeiro dia do mês |
| Ano | Primeiro dia do ano (1º de janeiro) |
### Como especificar um limite de tempo
**nota**
Você só pode especificar um limite de tempo para um preditor automático.
Ao criar um preditor automático com uma frequência de previsão diária, semanal, mensal ou anual, você pode especificar o limite de tempo que o Forecast usa para agregar dados. Você pode especificar um limite de tempo se seu calendário comercial não estiver alinhado aos limites de tempo padrão. Por exemplo, talvez você precise gerar previsões mensais em que cada mês começa no terceiro dia do mês. Se você não especificar um limite de tempo, o Forecast usará um conjunto de [limite de tempo padrão](#default-time-boundaries).
A unidade de limite de tempo especificada deve ser uma unidade mais precisa do que sua frequência de previsão. A tabela a seguir lista a unidade de limite de tempo e os valores que você pode especificar, organizados por frequência de previsão.
Você só pode especificar um limite de tempo `Monthly` com um valor limite igual ou inferior a `28`.
| Unidade de frequência de previsão | Unidade de limite | Valores limite |
| --- | --- | --- |
| Por dia | Hora | 0 – 23 |
| Por semana | Dia da semana | Segunda a domingo |
| Mensal | Dia do mês | 1 a 28 |
| Anualmente | Mês | Janeiro a dezembro |
Você especifica um limite de alinhamento de tempo ao criar um preditor da maneira a seguir. Para obter informações sobre as diferentes unidades de limite de tempo e valores limite que você pode especificar de modo programático, consulte [TimeAlignmentBoundary](API_TimeAlignmentBoundary.md).
------
#### [ Console ]
****
**Para especificar um limite de alinhamento de tempo para um preditor**
1. Faça login Console de gerenciamento da AWS e abra o console do Amazon Forecast em [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Na página **Grupos de conjuntos de dados**, escolha seu grupo de conjuntos de dados.
1. No painel de navegação, selecione **Preditores**.
1. Escolha **Treinar novo preditor**.
1. Forneça valores para os campos obrigatórios **Nome**, **Frequência de previsão** e **Horizonte de previsão**.
1. Em **Limite de alinhamento de tempo**, especifique o limite de tempo que o preditor usará ao agregar seus dados. Os valores nessa lista dependem da **frequência de previsão** que você escolher.
1. Escolha **Iniciar**. O Forecast agregará dados usando o limite de alinhamento de tempo que você especificar ao criar seu preditor.
------
#### [ AWS CLI ]
Para especificar um limite de alinhamento de tempo para um preditor com o AWS CLI, use o comando. `create-predictor` No parâmetro `time-alignment-boundary`, forneça a unidade de tempo e o valor limite. O código a seguir cria um preditor automático que faz previsões para 5 semanas no futuro, em que cada semana começa na terça-feira.
Os valores `DayOfWeek` e `DayOfMonth` devem estar em letras maiúsculas. Para obter informações sobre as diferentes unidades de limite de tempo e valores limite que você pode especificar, consulte [TimeAlignmentBoundary](API_TimeAlignmentBoundary.md). Para obter informações sobre os parâmetros obrigatórios e opcionais, consulte [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 ]
Para especificar um limite de alinhamento de tempo para um preditor com o SDK para Python (Boto3), use o método `create_auto_predictor`. No parâmetro `TimeAlignmentBoundary`, forneça um dicionário com a unidade de tempo como chave e o valor limite como valor. O código a seguir cria um preditor automático que faz previsões para 5 semanas no futuro, em que cada semana começa na terça-feira.
Os valores `DayOfWeek` e `DayOfMonth` devem estar em letras maiúsculas. Para obter informações sobre as diferentes unidades de limite de tempo e valores limite que você pode especificar, consulte [TimeAlignmentBoundary](API_TimeAlignmentBoundary.md). Para obter informações sobre os parâmetros obrigatórios e opcionais, consulte [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'])
```
------
# Suposições de agregação de dados
O Forecast não pressupõe que seus dados sejam de um fuso horário específico. No entanto, ele faz as seguintes suposições ao agregar dados de séries temporais:
+ Todos os dados são do mesmo fuso horário.
+ Todas as previsões estão no mesmo fuso horário que os dados no conjunto de dados.
+ Se você especificar o recurso de feriados [SupplementaryFeature](API_SupplementaryFeature.md) no parâmetro [InputDataConfig](API_InputDataConfig.md) da operação [CreatePredictor](API_CreatePredictor.md), os dados de entrada serão do mesmo país.
## Usar conjuntos de dados adicionais
Ao criar o preditor, o Amazon Forecast pode incluir o Weather Index e o Holidays. O Weather Index incorpora informações meteorológicas ao modelo, e o Holidays inclui informações sobre feriados nacionais.
O Weather Index exige um atributo de “geolocalização” no conjunto de dados de séries temporais de destino e informações sobre fusos horários para os carimbos de data e hora. Para obter mais informações, consulte [Weather Index](weather.md).
O Holidays inclui informações sobre feriados em mais de 250 países. Para obter mais informações, consulte [Caracterização Holidays](holidays.md).
## Trabalhar com preditores antigos
**nota**
Para atualizar um preditor existente para AutoPredictor, consulte [Atualizando para AutoPredictor](#upgrading-autopredictor)
AutoPredictor é o método padrão e preferido para criar um preditor com o Amazon Forecast. AutoPredictor cria preditores aplicando a combinação ideal de algoritmos para cada série temporal em seu conjunto de dados.
Os preditores criados com geralmente AutoPredictor são mais precisos do que os criados com AutoML ou seleção manual. Os recursos de explicabilidade do Forecast e de retreinamento de preditores estão disponíveis somente para preditores criados com. AutoPredictor
O Amazon Forecast também pode criar preditores antigos das seguintes maneiras:
1. **AutoML**: o Forecast encontra o algoritmo de melhor performance e o aplica a todo o conjunto de dados.
1. **Seleção manual**: selecione manualmente um único algoritmo a ser aplicado a todo o conjunto de dados.
Talvez você consiga criar um preditor antigo usando o kit de desenvolvimento de software (SDK).
------
#### [ SDK ]
**Como usar o AutoML**
Utilizando a operação [`CreatePredictor`](API_CreatePredictor.md), defina o valor de `PerformAutoML` como `"true"`.
```
{
...
"PerformAutoML": "true",
}
```
Se você usa o AutoML, não pode definir um valor para os seguintes CreatePredictor parâmetros:`AlgorithmArn`,,`HPOConfig`. `TrainingParameters`
------
# Avaliação da precisão do preditor
O Amazon Forecast produz métricas de precisão para avaliar preditores e ajudar você a escolher quais usar para gerar previsões. O Forecast avalia os preditores usando as métricas 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).
O Amazon Forecast usa backtesting para ajustar parâmetros e produzir métricas de precisão. Durante o backtesting, o Forecast divide automaticamente seus dados de séries temporais em dois conjuntos: um conjunto de treinamento e um conjunto de testes. O conjunto de treinamento é usado para treinar um modelo e gerar previsões para pontos de dados no conjunto de testes. O Forecast avalia a precisão do modelo comparando os valores previstos com os valores observados no conjunto de testes.
O Forecast permite avaliar preditores usando diferentes tipos de previsão, que podem ser um conjunto de previsões de quantil e a previsão média. A previsão média fornece uma estimativa pontual, enquanto as previsões de quantil normalmente fornecem um intervalo de resultados possíveis.
**Cadernos Python**
Para obter um step-by-step guia sobre como avaliar métricas preditoras, consulte Métricas de [computação usando backtests em nível de item](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Item_Level_Accuracy/Item_Level_Accuracy_Using_Bike_Example.ipynb). .
**Topics**
+ [Interpretação de métricas de precisão](#predictor-metrics)
+ [Weighted Quantile Loss (wQL)](#metrics-wQL)
+ [Weighted Absolute Percentage Error (WAPE)](#metrics-WAPE)
+ [Root Mean Square Error (RMSE)](#metrics-RMSE)
+ [Mean Absolute Percentage Error (MAPE)](#metrics-mape)
+ [Mean Absolute Scaled Error (MASE)](#metrics-mase)
+ [Exportação de métricas de precisão](#backtest-exports)
+ [Como escolher os tipos de previsão](#forecast-types)
+ [Como trabalhar com preditores antigos](#legacy-metrics)
## Interpretação de métricas de precisão
O Amazon Forecast fornece as métricas 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) para avaliar seus preditores. Junto com as métricas do preditor geral, o Forecast calcula as métricas de cada janela de backtest.
Você pode visualizar as métricas de precisão dos preditores usando o kit de desenvolvimento de software (SDK) e o console do Amazon Forecast.
------
#### [ Forecast SDK ]
Usando a [GetAccuracyMetrics](API_GetAccuracyMetrics.md)Operação, especifique que você `PredictorArn` deseja visualizar as métricas RMSE, MASE, MAPE, WAPE, Average WQL e wQL para cada backtest.
```
{
"PredictorArn": "arn:aws:forecast:region:acct-id:predictor/example-id"
}
```
------
#### [ Forecast Console ]
Escolha seu preditor na página **Preditores**. As métricas de precisão do preditor são mostradas na seção **Métricas do preditor**.
------
**nota**
Na média das métricas Average wQL, wQL, RMSE, MASE, MAPE e WAPE, um valor menor indica um modelo superior.
**Topics**
+ [Interpretação de métricas de precisão](#predictor-metrics)
+ [Weighted Quantile Loss (wQL)](#metrics-wQL)
+ [Weighted Absolute Percentage Error (WAPE)](#metrics-WAPE)
+ [Root Mean Square Error (RMSE)](#metrics-RMSE)
+ [Mean Absolute Percentage Error (MAPE)](#metrics-mape)
+ [Mean Absolute Scaled Error (MASE)](#metrics-mase)
+ [Exportação de métricas de precisão](#backtest-exports)
+ [Como escolher os tipos de previsão](#forecast-types)
+ [Como trabalhar com preditores antigos](#legacy-metrics)
## Weighted Quantile Loss (wQL)
A métrica Weighted Quantile Loss (wQL) mede a precisão de um modelo em um quantil especificado. É particularmente útil quando há custos diferentes de subprevisão e superprevisão. Ao definir o peso (*τ*) da função wQL, você pode incorporar automaticamente diferentes penalidades por subprevisão e superprevisão.
A função de perda é calculada da seguinte forma.
![\[Mathematical equation for weighted quantile loss function with tau parameter.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/metrics-quantile-loss.png)
Em que:
*τ* - um quantil no conjunto \$10.01, 0.02, ..., 0.99\$1
qi,t(τ) - o quantil τ que o modelo prevê.
yi,t - o valor observado no ponto (i,t)
Os quantis (τ) de wQL podem variar de 0.01 (P1) a 0.99 (P99). A métrica wQL não pode ser calculada para a previsão média.
Por padrão, o Forecast calcula a wQL em `0.1` (P10), `0.5` (P50) e `0.9` (P90).
+ **P10 (0.1)**: espera-se que o valor verdadeiro seja menor do que o valor previsto 10% do tempo.
+ **P50 (0.5)**: espera-se que o valor verdadeiro seja menor do que o valor previsto 50% do tempo. Isso também é conhecido como previsão mediana.
+ **P90 (0.9)**: espera-se que o valor verdadeiro seja menor do que o valor previsto 90% do tempo.
No varejo, o custo de estar com estoque insuficiente é geralmente maior do que o custo de estar com excesso de estoque . Portanto, a previsão em P75 (*τ* = 0.75) pode ser mais informativa do que a previsão no quantil médio (P50). Nesses casos, wQL[0.75] atribui um peso de penalidade maior à subprevisão (0,75) e um peso de penalidade menor à superprevisão (0,25).
![\[Two probability distribution curves showing demand forecasting at P50 and P75 quantiles.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/p50-p75-prediction.jpg)
A figura acima mostra as diferentes previsões de demanda em wQL[0.50] e wQL[0.75]. O valor previsto em P75 é significativamente maior do que o valor previsto em P50 porque se espera que a previsão P75 atenda à demanda 75% do tempo, enquanto a previsão P50 só atenda à demanda 50% do tempo.
Quando a soma dos valores observados em todos os itens e pontos no tempo for aproximadamente zero em determinada janela de backtest, a expressão de perda de quantil ponderada será indefinida. Nesse caso, o Forecast gera a perda de quantil não ponderada, que é o numerador na expressão wQL acima.
O Forecast também calcula o wQL médio, que é o valor médio das perdas de quantil ponderadas em todos os quantis especificados. Por padrão, essa será a média de wQL[0.10], wQL[0.50] e wQL[0.90].
## Weighted Absolute Percentage Error (WAPE)
A métrica Weighted Absolute Percentage Error (WAPE) mede o desvio geral dos valores previstos a partir dos valores observados. O WAPE é calculado tomando a soma dos valores observados e a soma dos valores previstos e calculando o erro entre esses dois valores. Um valor mais baixo indica um modelo mais preciso.
Quando a soma dos valores observados em todos os itens e pontos no tempo for aproximadamente zero em determinada janela de backtest, a expressão de erro de perda de quantil ponderada será indefinida. Nesse caso, o Forecast gera a soma de erros absolutos não ponderados, que é o numerador na expressão WAPE.
![\[Mathematical formula for WAPE showing summation of absolute differences divided by sum of absolute values.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/WAPE.png)
Em que:
yi,t - o valor observado no ponto (i,t)
ŷi,t - o valor previsto no ponto (i,t)
O Forecast usa a previsão média como valor previsto, ŷi,t.
O WAPE é mais robusto a valores discrepantes do que o Root Mean Square Error (RMSE) porque usa o erro absoluto em vez do erro quadrático.
Anteriormente, a Amazon Forecast se referia à métrica WAPE como Mean Absolute Percentage Error (MAPE) e usava a previsão mediana (P50) como valor previsto. O Forecast agora usa a previsão média para calcular o WAPE. A métrica wQL[0.5] é equivalente à métrica WAPE[median], conforme mostrado abaixo:
![\[Mathematical equation showing the equivalence of wQL[0.5] and WAPE[median] metrics.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/wql-to-wape.PNG)
## Root Mean Square Error (RMSE)
A métrica Root Mean Square Error (RMSE) é a raiz quadrada da média dos erros quadrados e, portanto, é mais sensível a valores discrepantes do que outras métricas de precisão. Um valor mais baixo indica um modelo mais preciso.
![\[Mathematical formula for Root Mean Square Error (RMSE) with summation and square root.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/metrics-rmse.png)
Em que:
yi,t - o valor observado no ponto (i,t)
ŷi,t - o valor previsto no ponto (i,t)
nT - o número de pontos de dados em um conjunto de testes
O Forecast usa a previsão média como valor previsto, ŷi,t. Ao calcular as métricas do preditor, nT é o número de pontos de dados em uma janela de backtest.
O RMSE usa o valor quadrático dos resíduos, o que aumenta o impacto dos valores discrepantes. Nos casos de uso em que apenas algumas grandes previsões erradas podem ser muito caras, o RMSE é a métrica mais relevante.
Os preditores criados antes de 11 de novembro de 2020 calcularam o RMSE usando o quantil de 0,5 (P50) por padrão. O Forecast agora usa a previsão média.
## Mean Absolute Percentage Error (MAPE)
A métrica Mean Absolute Percentage Error (MAPE) toma o valor absoluto do erro percentual entre os valores observados e previstos para cada unidade de tempo e, em seguida, calcula a média desses valores. Um valor mais baixo indica um modelo mais preciso.
![\[Mathematical formula for Mean Absolute Percentage Error (MAPE) calculation.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/mape.png)
Em que:
At - o valor observado no ponto *t*
Ft - o valor previsto no ponto *t*
n - o número de pontos de dados na série temporal
O Forecast usa a previsão média como valor previsto, Ft.
O MAPE é útil nos casos em que os valores diferem significativamente entre os pontos no tempo e os valores discrepantes têm um impacto significativo.
## Mean Absolute Scaled Error (MASE)
A métrica Mean Absolute Scaled Error (MASE) é calculada dividindo o erro médio por um fator de escalabilidade. Esse fator de escalabilidade depende do valor da sazonalidade, *m*, que é selecionado com base na frequência da previsão. Um valor mais baixo indica um modelo mais preciso.
![\[Mathematical formula for Mean Absolute Scaled Error (MASE) with summation and absolute value notations.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/mase.png)
Em que:
Yt - o valor observado no ponto *t*
Yt-m - o valor observado no ponto *t-m*
e j - o erro no ponto *j* (valor observado - valor previsto)
m - o valor da sazonalidade
O Forecast usa a previsão média como valor previsto.
O MASE é ideal para conjuntos de dados de natureza cíclica ou com propriedades sazonais. Por exemplo, a previsão de itens com alta demanda durante o verão e com baixa demanda durante o inverno pode se beneficiar ao considerar o impacto sazonal.
## Exportação de métricas de precisão
**nota**
Os arquivos de exportação podem retornar diretamente informações da importação do conjunto de dados. Isso tornará os arquivos vulneráveis à injeção de CSV se os dados importados contiverem fórmulas ou comandos. Por esse motivo, os arquivos exportados poderão gerar avisos de segurança. Para evitar atividades mal intencionadas, desabilite os links e as macros ao realizar a leitura de arquivos exportados.
O Forecast permite que você exporte os valores previstos e as métricas de precisão gerados durante o backtesting.
Você pode usar essas exportações para avaliar itens específicos em pontos no tempo e quantis específicos e entender melhor seu preditor. As exportações de backtest são enviadas para um local específico do S3 e contêm duas pastas:
+ **forecasted-values**: contém arquivos CSV ou Parquet com valores previstos em cada tipo de previsão para cada backtest.
+ **accuracy-metrics-values**: contém arquivos CSV ou Parquet com métricas para cada backtest, junto com a média de todos os backtests. Essas métricas incluem métrica wQL de cada quantil, bem como a média de wQL, RMSE, MASE, MAPE e WAPE.
A pasta `forecasted-values` contém valores previstos em cada tipo de previsão para cada janela de backtest. Também inclui informações sobre itens IDs, dimensões, registros de data e hora, valores-alvo e horários de início e término da janela de backtest.
A pasta `accuracy-metrics-values` contém métricas de precisão para cada janela de backtest, bem como a média das métricas em todas as janelas de backtest. Ela contém a métrica wQL de cada quantil especificado, bem como a média das métricas wQL, RMSE, MASE, MAPE e WAPE.
Os arquivos em ambas as pastas seguem a convenção de nomenclatura: `__.csv`.
Você pode exportar as métricas de precisão usando o kit de desenvolvimento de software (SDK) e o console do Amazon Forecast.
------
#### [ Forecast SDK ]
Usando a operação [`CreatePredictorBacktestExportJob`](API_CreatePredictorBacktestExportJob.md), especifique o local do S3 e o perfil do IAM no objeto [`DataDestination`](API_DataDestination.md), juntamente com `PredictorArn` e `PredictorBacktestExportJobName`.
Por exemplo:
```
{
"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 ]
Escolha seu preditor na página **Preditores**. Na seção **Métricas de preditor**, escolha **Exportar resultados de backtest**.
Durante a fase **Criar exportação de backtest de preditor**, defina os campos **Nome da exportação**, **Perfil do IAM** e **Local de exportação de backtest de preditor do S3**.
![\[Form for exporting predictor backtest data to S3, with fields for name, IAM role, and location.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/console-export-screen.PNG)
------
## Como escolher os tipos de previsão
O Amazon Forecast usa tipos de previsão para criar previsões e avaliar preditores. Os tipos de previsão do Forecast são fornecidos de duas maneiras:
+ **Tipo de previsão média:** uma previsão que usa a média como valor esperado. Normalmente usado como previsões pontuais em um determinado ponto no tempo.
+ **Tipo de previsão de quantil:** uma previsão em um quantil especificado. Normalmente usado para fornecer um intervalo de previsão, que é uma faixa de valores possíveis para contabilizar a incerteza da previsão. Por exemplo, uma previsão no quantil `0.65` estimará um valor menor do que o valor observado 65% do tempo.
Por padrão, o Forecast usa os seguintes valores para os tipos de previsão de preditor: `0.1` (P10), `0.5` (P50) e `0.9` (P90). Você pode escolher até cinco tipos de previsão personalizados, incluindo `mean` e quantis que variam de `0.01` (P1) a `0.99` (P99).
Os quantis podem fornecer um limite superior e inferior para previsões. Por exemplo, o uso dos tipos de previsão `0.1` (P10) e `0.9` (P90) fornece uma faixa de valores conhecida como intervalo de confiança de 80%. Espera-se que o valor observado seja menor que o valor P10 em 10% do tempo e que o valor P90 seja maior que o valor observado em 90% do tempo. Ao gerar previsões em p10 e P90, espera-se que o valor verdadeiro fique entre esses limites 80% do tempo. Essa faixa de valores é representada pela região sombreada entre P10 e P90 na figura abaixo.
![\[Graph showing forecast quantiles with P99, P90, P50, P10, and P1 lines over time.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/quantiles-intervals.png)
Você também pode usar uma previsão de quantil como previsão pontual quando o custo da subprevisão diferir do custo da superprevisão. Por exemplo, em alguns casos de varejo, o custo de ter um estoque insuficiente é maior do que o custo de ter um estoque excessivo. Nesses casos, a previsão em 0,65 (P65) é mais informativa do que a previsão mediana (P50) ou média.
Ao treinar um preditor, você pode escolher tipos de previsão personalizados usando o kit de desenvolvimento de software (SDK) e o console do Amazon Forecast.
------
#### [ Forecast SDK ]
Usando a operação [`CreateAutoPredictor`](API_CreateAutoPredictor.md), especifique os tipos de previsão personalizados no parâmetro `ForecastTypes`. Formate o parâmetro como uma matriz de strings.
Por exemplo, para criar um preditor nos tipos de previsão `0.01`, `mean`, `0.65` e `0.99`, use o código a seguir.
```
{
"ForecastTypes": [ "0.01", "mean", "0.65", "0.99" ],
},
```
------
#### [ Forecast Console ]
Durante a fase **Treinar preditor**, especifique os tipos de previsão personalizados no campo **Tipos de previsão**. Escolha **Adicionar novo tipo de previsão** e insira um valor de tipo de previsão.
Por exemplo, para criar um preditor usando os tipos de previsão `0.01`, `mean`, `0.65` e `0.99`, insira os seguintes valores nos campos **Tipos de previsão** mostrados abaixo.
![\[Form for entering forecast types with fields for type names and quantile values between .01 and .99.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/predictor-custom-quantiles.png)
------
## Como trabalhar com preditores antigos
### Definição de parâmetros de backtesting
O Forecast usa o backtesting para calcular métricas de precisão. Se você executar vários backtests, o Forecast calculará a média de cada métrica em todas as janelas de backtest. Por padrão, o Forecast calcula um backtest assumindo que o tamanho da janela do backtest (conjunto de testes) é igual ao comprimento do horizonte de previsão (janela de previsão). Você pode definir o *tamanho da janela de backtest* e o *número de cenários de backtest* ao treinar um preditor.
O Forecast omite os valores preenchidos do processo de backtesting, e qualquer item com valores preenchidos em uma determinada janela de backtest será excluído desse backtest. Isso ocorre porque o Forecast só compara os valores previstos com os valores observados durante o backtesting, e os valores preenchidos não são valores observados.
A janela de backtest deve ter, no mínimo, o comprimento do horizonte de previsão e ser menor que a metade do comprimento de todo o conjunto de dados de séries temporais de destino. Você pode escolher entre 1 e 5 backtests.
![\[Graph showing training and testing periods for four backtest scenarios over time.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/evaluation-backtests.png)
Geralmente, aumentar o número de backtests produz métricas de precisão mais confiáveis, já que uma parte maior da série temporal é usada durante o teste e o Forecast é capaz de calcular a média das métricas em todos os backtests.
Você pode definir os parâmetros de backtesting usando o kit de desenvolvimento de software (SDK) e o console do Amazon Forecast.
------
#### [ Forecast SDK ]
Usando a [CreatePredictor](API_CreatePredictor.md)operação, defina os parâmetros do backtest no tipo de [EvaluationParameters](API_EvaluationParameters.md)dados. Especifique o comprimento do conjunto de testes durante o backtesting com o parâmetro `BackTestWindowOffset` e o número de janelas de backtest com o parâmetro `NumberOfBacktestWindows`.
Por exemplo, para executar dois backtests com um conjunto de testes de 10 pontos de tempo, use o código a seguir.
```
"EvaluationParameters": {
"BackTestWindowOffset": 10,
"NumberOfBacktestWindows": 2
}
```
------
#### [ Forecast Console ]
Durante a fase **Treinar preditor**, defina o comprimento do conjunto de testes durante o backtesting com o campo **Deslocamento da janela de backtest** e o número de janelas de backtest com o campo **Número de janelas de backtest**.
Por exemplo, para executar dois backtests com um conjunto de testes de 10 pontos de tempo, use o código a seguir.
![\[Input fields for number of backtest windows and backtest window offset with example values.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/predictor-backtest-windows.png)
------
### HPO e AutoML
Por padrão, o Amazon Forecast usa os quantis `0.1` (P10), `0.5` (P50) e `0.9` (P90) para ajuste de hiperparâmetros durante a otimização de hiperparâmetros (HPO) e para seleção de modelos durante o AutoML. Se você especificar tipos de previsão personalizados ao criar um preditor, o Forecast usará esses tipos de previsão durante o HPO e o AutoML.
Se forem especificados tipos de previsão personalizados, o Forecast usará esses tipos de previsão especificados para determinar os melhores resultados durante o HPO e o AutoML. Durante o HPO, o Forecast usa a primeira janela de backtest para encontrar os valores ideais dos hiperparâmetros. Durante o AutoML, o Forecast usa as médias em todas as janelas de backtest e os valores ideais dos hiperparâmetros do HPO para encontrar o algoritmo ideal.
Para o AutoML e o HPO, o Forecast escolhe a opção que minimiza as perdas médias nos tipos de previsão. Você também pode otimizar seu preditor durante o AutoML e o HPO com uma das seguintes métricas de precisão: Average Weighted Quantile loss (Average wQL), Weighted Absolute Percentage Error (WAPE), Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE) ou Mean Absolute Scaled Error (MASE).
Você pode escolher a métrica de otimização usando o kit de desenvolvimento de software (SDK) e o console do Amazon Forecast.
------
#### [ Forecast SDK ]
Usando a operação [`CreatePredictor`](API_CreatePredictor.md), especifique os tipos de previsão personalizados no parâmetro `ObjectiveMetric`.
O parâmetro `ObjectiveMetric` aceita os seguintes valores:
+ `AverageWeightedQuantileLoss` - Perda média de quantil ponderada
+ `WAPE` - Erro percentual absoluto ponderado
+ `RMSE` - Erro quadrático médio da raiz
+ `MAPE` - Erro percentual absoluto médio
+ `MASE` - Erro escalado absoluto médio
Por exemplo, para criar um preditor com o AutoML e otimizar usando a métrica de precisão Mean Absolute Scaled Error (MASE), use o código a seguir.
```
{
...
"PerformAutoML": "true",
...
"ObjectiveMetric": "MASE",
},
```
------
#### [ Forecast Console ]
Durante a fase **Treinar preditor**, escolha **Automático (AutoML)**. Na seção **Métrica objetiva**, escolha a métrica de precisão a ser usada para otimizar seu preditor.
Por exemplo, a imagem a seguir mostra um preditor criado com o AutoML e otimizado por meio da métrica de precisão Mean Absolute Scaled Error (MASE).
Ao usar o console, você só pode especificar a métrica objetiva ao criar um preditor usando o AutoML. Se você selecionar manualmente um algoritmo, não poderá especificar a métrica objetiva da HPO.
------
# Preditores de reciclagem
**nota**
O retreinamento só está disponível para preditores criados com AutoPredictor () [`CreateAutoPredictor`](API_CreateAutoPredictor.md). Você pode atualizar os preditores legados existentes para AutoPredictor. Consulte [Atualizando para AutoPredictor](howitworks-predictor.md#upgrading-autopredictor).
Os preditores podem ser mantidos com conjuntos de dados atualizados para manter seus preditores atualizados. Ao treinar novamente um preditor, o Amazon Forecast mantém as mesmas configurações do preditor. Após o novo treinamento, o preditor original permanecerá ativo e o preditor treinado novamente terá um ARN de preditor separado.
Treinar novamente um preditor pode melhorar a precisão da previsão de duas maneiras:
1. **Mais dados atuais**: seu preditor retreinado incorporará mais up-to-date dados ao treinar um modelo.
1. **Melhorias no preditor:** seu preditor treinado novamente incorporará todas as atualizações e melhorias nos algoritmos do Amazon Forecast e nos conjuntos de dados adicionais.
Treinar novamente um preditor pode ser até 50% mais rápido do que criar um novo preditor do zero. Os tempos de treinamento do preditor são mais rápidos, e o Forecast usa automaticamente as configurações existentes.
**Cadernos Python**
Para obter um step-by-step guia sobre preditores de reciclagem, consulte [Retreinar](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/advanced/Retraining_AutoPredictor/Retraining.ipynb) um preditor.
É possível treinar novamente um preditor utilizando o kit de desenvolvimento de software (SDK) ou o console do Amazon Forecast.
------
#### [ Console ]
**Para treinar novamente um preditor**
1. Faça login Console de gerenciamento da AWS e abra o console do Amazon Forecast em [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. No painel de navegação, selecione **Preditores**.
1. Escolha o preditor a ser treinado novamente.
1. No menu suspenso **Ações do preditor**, escolha **Treinar novamente**.
1. Defina um nome exclusivo para o preditor atualizado.
1. Escolha **Treinar novamente preditor**.
------
#### [ SDK ]
**Para treinar novamente um preditor**
Usando a operação [`CreateAutoPredictor`](API_CreateAutoPredictor.md), atribua ao preditor um nome exclusivo e defina o valor de `ReferencePredictorArn` para o preditor que você deseja treinar novamente.
```
{
"PredictorName": "RetrainedPredictor",
"ReferencePredictorArn": "arn:aws:forecast:us-west-2:938097332257:predictor/OriginalPredictor"
}
```
Ao treinar novamente um preditor, atribua valores somente aos parâmetros `PredictorName` e `ReferencePredictorArn`.
------
# Weather Index
O Weather Index do Amazon Forecast é uma caracterização integrada que inclui informações meteorológicas passadas e projetadas em seu modelo. É especialmente útil para casos de uso no varejo, em que a temperatura e a precipitação podem afetar significativamente a demanda de produtos.
Quando o Weather Index está ativado, o Forecast aplica a caracterização do clima somente às séries temporais em que encontra melhorias na precisão durante o treinamento do preditor. Se complementar uma série temporal com informações meteorológicas não melhorar sua precisão preditiva durante o backtesting, o Forecast não aplicará o Weather Index a essa série temporal específica.
Para aplicar o Weather Index, você deve incluir um [atributo de geolocalização](#adding-geolocation) em seu conjunto de dados de séries temporais de destino e em qualquer conjunto de dados de séries temporais relacionado. Você também precisa especificar [fusos horários](#specifying-timezones) para os carimbos de data/hora das séries temporais de destino. Para obter mais informações sobre os requisitos do conjunto de dados, consulte [Condições e restrições](#weather-conditions-restrictions).
**Cadernos Python**
Para obter um step-by-step guia sobre como usar o Weather Index, consulte [NY Taxi: Amazon Forecast with Weather Index](https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks/advanced/Weather_index).
**Topics**
+ [Como ativar o Weather Index](#enabling-weather)
+ [Como adicionar informações de geolocalização aos conjuntos de dados](#adding-geolocation)
+ [Como especificar o fuso horário](#specifying-timezones)
+ [Condições e restrições](#weather-conditions-restrictions)
## Como ativar o Weather Index
O Weather Index é ativado durante a fase de treinamento do preditor. Ao usar a [`CreateAutoPredictor`](API_CreateAutoPredictor.md)operação, o Índice Meteorológico é incluído no tipo de [AdditionalDataset](API_AdditionalDataset.md)dados.
Antes de ativar o Weather Index, você deve incluir um atributo de geolocalização na série temporal de destino e nos conjuntos de dados de séries temporais relacionadas e definir os fusos horários para seus carimbos de data e hora. Para obter mais informações, consulte [Adicionando informações de geolocalização](#adding-geolocation) e [Especificando fusos horários](#specifying-timezones).
Você pode ativar o Weather Index usando o console Forecast ou o kit de desenvolvimento de software (SDK) do Forecast.
------
#### [ Console ]
**Para habilitar o Weather Index**
1. Faça login Console de gerenciamento da AWS e abra o console do Amazon Forecast em [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Na página **Grupos de conjuntos de dados**, escolha seu grupo de conjuntos de dados.
1. No painel de navegação, selecione **Preditores**.
1. Escolha **Treinar novo preditor**.
1. Escolha **Habilitar o Weather Index**.
------
#### [ SDK ]
**Para habilitar o Weather Index**
Usando a [`CreateAutoPredictor`](API_CreateAutoPredictor.md)operação, ative o Índice Meteorológico adicionando `"Name": "weather"` e `"Value": "true"` inserindo o tipo de [AdditionalDataset](API_AdditionalDataset.md)dados.
```
"DataConfig": {
...
"AdditionalDatasets": [
...
{
"Name": "weather",
}
]
},
```
------
## Como adicionar informações de geolocalização aos conjuntos de dados
Para usar o Weather Index, você deve incluir um atributo de geolocalização para cada item em sua série temporal de destino e conjuntos de dados de séries temporais relacionados. O atributo é definido com o tipo de atributo `geolocation` nos esquemas do conjunto de dados.
Todos os valores de geolocalização em um conjunto de dados devem estar exclusivamente em uma única região. As regiões são: EUA (exceto Havaí e Alasca), Canadá, América do Sul, América Central, Ásia-Pacífico, Europa e África e Oriente Médio.
Especifique o atributo de geolocalização em um de dois formatos:
+ **Latitude e longitude** (todas as regiões): especifique a latitude e a longitude no formato decimal (exemplo: 47,61\$1-122,33)
+ **Código postal** (somente EUA): especifique o código do país (EUA), seguido pelo código postal de 5 dígitos (exemplo: US\$198121)
O formato Latitude e Longitude é compatível com todas as regiões. O formato de código postal só é compatível com a região dos EUA.
**Topics**
+ [Limites de latitude e longitude](#geolocation-bounds)
+ [Incluindo geolocalização no esquema do conjunto de dados](#geolocation-schema)
+ [Como definir o formato da geolocalização](#geolocation-format)
### Limites de latitude e longitude
Veja os limites de latitude e longitude para as regiões aceitas:
------
#### [ US Region ]
**Limites**: latitude (24,6, 50,0), longitude (-126,0, -66,4).
![\[Map of North America showing United States, parts of Canada and Mexico with major cities.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/weather-us-bounds.png)
------
#### [ Canada Region ]
**Limites**: latitude (41,0, 75,0), longitude (-142,0, -52,0).
![\[Map showing northern Canada and parts of the US, highlighting territories and major cities.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/weather-can-bounds.PNG)
------
#### [ Europe Region ]
**Limites**: latitude (34,8, 71,8), longitude (-12,6, 44,8).
![\[Map of Northern Europe and surrounding regions showing countries and major cities.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/weather-euro-bounds.png)
------
#### [ South America Region ]
**Limites**: latitude (-56,6, 14,0), longitude (-82,4, -33,00).
![\[Map of South America showing countries, major cities, and Brazilian states.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/weather-sa-bounds.PNG)
------
#### [ Asia Pacific Region ]
**Limites**: latitude (-47,8, 55,0), longitude (67,0, 180,60).
![\[Map showing East Asia, Southeast Asia, and Australia with country names and ocean labels.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/weather-apac-bounds.png)
------
#### [ Central America Region ]
**Limites**: latitude (6,80, 33,20), longitude (-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/pt_br/forecast/latest/dg/images/weather-ca-bounds.png)
------
#### [ Africa & Middle East Region ]
**Limites**: latitude (-35,60, 43,40), longitude (-18,80, -58,20).
![\[Map showing North Africa, Middle East, and parts of Europe with country names and borders.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/weather-africa-bounds.png)
------
### Incluindo geolocalização no esquema do conjunto de dados
Usando o console ou a [CreateDataset](API_CreateDataset.md)operação, defina o tipo de atributo de localização como “geolocalização” dentro do esquema JSON para a série temporal de destino e qualquer série temporal relacionada. Os atributos no esquema devem ser ordenados conforme aparecem nos conjuntos de dados.
```
{
"Attributes":[
{
"AttributeName": "timestamp",
"AttributeType": "timestamp"
},
{
"AttributeName": "target_value",
"AttributeType": "float"
},
{
"AttributeName": "item_id",
"AttributeType": "string"
},
{
"AttributeName": "location",
"AttributeType": "geolocation"
}
]
}
```
### Como definir o formato da geolocalização
O formato do atributo de geolocalização pode estar no formato **Código postal** ou **Latitude e longitude**. Você pode definir o formato de geolocalização usando o console Forecast ou o kit de desenvolvimento de software (SDK) do Forecast.
------
#### [ Console ]
**Para adicionar um atributo de geolocalização a um conjunto de dados de séries temporais**
1. Faça login Console de gerenciamento da AWS e abra o console do Amazon Forecast em [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Escolha **Criar grupo de conjuntos de dados**.
1. No **Criador de esquemas**, defina o **tipo de atributo** de geolocalização como `geolocation`.
1. No menu suspenso **Formato de geolocalização**, escolha seu formato de localização.
![\[Dataset details form with name, frequency, and schema builder for attribute specification.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/schema-builder-geolocation.png)
Você também pode definir seus atributos no formato JSON e selecionar um formato de localização no menu suspenso **Formato de geolocalização**.
------
#### [ SDK ]
**Para adicionar um atributo de geolocalização a um conjunto de dados de séries temporais**
Usando a [ CreateDatasetImportJob](API_CreateDatasetImportJob.md)operação, defina o valor `GeolocationFormat` de como um dos seguintes:
+ **Latitude e longitude** (todas as regiões): `"LAT_LONG"`
+ **Código postal** (somente EUA): `"CC_POSTALCODE"`
Por exemplo, para especificar o formato de latitude e longitude, inclua o seguinte na solicitação `CreateDatasetImportJob`:
```
{
...
"GeolocationFormat": "LAT_LONG"
}
```
------
## Como especificar o fuso horário
Você pode permitir que o Amazon Forecast sincronize automaticamente suas informações de fuso horário com seu atributo de geolocalização ou pode atribuir manualmente um único fuso horário a todo o seu conjunto de dados.
**Topics**
+ [Sincronizar automaticamente os fusos horários com a geolocalização](#timezones-automatic)
+ [Selecione manualmente um único fuso horário](#timezones-manual)
### Sincronizar automaticamente os fusos horários com a geolocalização
Essa opção é ideal para conjuntos de dados que contêm carimbos de data/hora em vários fusos horários. Esses carimbos de data/hora são expressos no horário local. O Forecast atribui um fuso horário para cada item no conjunto de dados da série temporal de destino com base no atributo de geolocalização do item.
Você pode sincronizar automaticamente seus carimbos de data e hora com seu atributo de geolocalização usando o console Forecast ou o SDK do Forecast.
------
#### [ Console ]
**Para sincronizar fusos horários com o atributo de geolocalização**
1. Faça login Console de gerenciamento da AWS e abra o console do Amazon Forecast em [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. No painel de navegação, selecione **Criar grupo de conjunto de dados**.
1. Em **Detalhes da importação do conjunto de dados**, escolha **Sincronizar fuso horário com localização**.
![\[Dataset import form with fields for name, time zone, S3 data location, and IAM role.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/sync-timezone-with-geolocation.PNG)
------
#### [ SDK ]
**Para sincronizar fusos horários com o atributo de geolocalização**
Usando a [ CreateDatasetImportJob](API_CreateDatasetImportJob.md)operação, `"UseGeolocationForTimeZone"` defina como`"true"`.
```
{
...
"UseGeolocationForTimeZone": "true"
}
```
------
### Selecione manualmente um único fuso horário
**nota**
Você pode selecionar manualmente um fuso horário fora da *região dos EUA*, *Canadá*, *América do Sul*, *América Central*, *Ásia-Pacífico*, *Europa* e *África e Oriente Médio*. No entanto, todos os valores de geolocalização ainda deverão estar dentro de uma dessas regiões.
Essa opção é ideal para conjuntos de dados com todos os carimbos de data/hora em um único fuso horário ou se todos os carimbos de data/hora estiverem normalizados para um único fuso horário. O uso dessa opção aplica o mesmo fuso horário a todos os itens no conjunto de dados.
O Weather Index aceita os seguintes fusos horários:
**Região dos EUA**
+ America/Los\$1Angeles
+ America/Phoenix
+ America/Denver
+ America/Chicago
+ America/New\$1York
**Região do Canadá**
+ America/Vancouver
+ America/Edmonton
+ America/Regina
+ America/Winnipeg
+ America/Toronto
+ America/Halifax
+ America/St\$1Johns
**Região da Europa**
+ Europe/London
+ Europe/Paris
+ Europe/Helsinki
**Região da América do Sul**
+ America/Buenos\$1Aires
+ America/Noronha
+ America/Caracas
**Região Ásia-Pacífico**
+ Asia/Kabul
+ Asia/Karachi
+ Asia/Kolkata
+ Asia/Kathmandu
+ Asia/Dhaka
+ Asia/Rangoon
+ Asia/Bangkok
+ Asia/Singapore
+ Asia/Seoul
+ Australia/Adelaide
+ Australia/Melbourne
+ Australia/Lord\$1Howe
+ Australia/Eucla
+ Pacific/Norfolk
+ Pacific/Auckland
**América Central**
+ America/Puerto\$1Rico
**África e Oriente Médio**
+ Africa/Nairobi
+ Asia/Tehran
+ Asia/Dubai
**Outros**
+ Pacific/Midway
+ Pacific/Honolulu
+ Pacific/Marquesas
+ America/Anchorage
+ Atlantic/Cape\$1Verde
+ Asia/Anadyr
+ Pacific/Chatham
+ Pacific/Enderbury
+ Pacific/Kiritimati
Selecione um fuso horário na lista **Outros** se os itens do seu conjunto de dados estiverem em uma das regiões aceitas, mas seus carimbos de data/hora estiverem padronizados para um fuso horário fora dessa região.
Para ver uma lista completa de nomes de fuso horário válidos, consulte a [biblioteca Joda-Time](http://joda-time.sourceforge.net/timezones.html).
Você pode definir manualmente um fuso horário para seus conjuntos de dados usando o console Forecast ou o SDK do Forecast.
------
#### [ Console ]
**Para selecionar um único fuso horário para seu conjunto de dados**
1. Faça login Console de gerenciamento da AWS e abra o console do Amazon Forecast em [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. No painel de navegação, selecione **Criar grupo de conjunto de dados**.
1. Em **Detalhes da importação do conjunto de dados**, escolha **Selecionar fuso horário**.
Por exemplo, use o seguinte para aplicar o horário de Los Angeles (Horário Padrão do Pacífico) aos seus conjuntos de dados.
![\[Dataset import form with fields for name, time zone, data location, and IAM role.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/select-timezone.PNG)
------
#### [ SDK ]
**Para selecionar um único fuso horário para seu conjunto de dados**
Usando a [ CreateDatasetImportJob](API_CreateDatasetImportJob.md)operação, `"TimeZone"` defina para um fuso horário válido.
Por exemplo, use o seguinte para aplicar o horário de Los Angeles (Horário Padrão do Pacífico) aos seus conjuntos de dados.
```
{
...
"TimeZone": "America/Los_Angeles"
}
```
------
## Condições e restrições
As seguintes condições e restrições se aplicam ao usar o Weather Index:
+ **Algoritmos disponíveis**: se estiver usando um preditor antigo, o Weather Index poderá ser habilitado ao treinar um preditor com os algoritmos CNN-QR, DeepAR\$1 e Prophet. O Weather Index não é aplicado ao ARIMA, ao ETS nem ao NPTS.
+ **Frequência de previsão**: as frequências de previsão válidas são `Minutely`, `Hourly` e `Daily`.
+ **Horizonte de previsão**: o horizonte de previsão não pode ultrapassar 14 dias no futuro. Para ver os limites do horizonte de cada frequência de previsão, consulte a lista abaixo:
+ `1 minute` - 500
+ `5 minutes` - 500
+ `10 minutes` - 500
+ `15 minutes` - 500
+ `Hourly` - 330
+ `Daily` - 14
+ **Duração da série temporal**: ao treinar um modelo com o Weather Index, o Forecast trunca todos os conjuntos de dados de séries temporais com carimbos de data e hora antes da data de início da caracterização do conjunto de dados meteorológicos do Forecast. A caracterização do conjunto de dados meteorológicos do Forecast contém as seguintes datas de início:
+ **Região dos EUA**: 2 de julho de 2018
+ **Região da Europa**: 2 de julho de 2018
+ **Região Ásia-Pacífico**: 2 de julho de 2018
+ **Região do Canadá**: 2 de julho de 2019
+ **Região da América do Sul**: 2 de janeiro de 2020
+ **Região da América Central**: 2 de setembro de 2020
+ **Região da África e Oriente Médio**: 25 de março de 2021
Com o Weather Index habilitado, os pontos de dados com carimbos de data e hora antes da data de início não serão usados durante o treinamento do preditor.
+ **Número de locais**: o conjunto de dados de séries temporais de destino não pode exceder 2 mil locais exclusivos.
+ **Limites da região**: todos os itens nos conjuntos de dados devem estar localizados em uma única região.
+ **Duração mínima da série temporal**: devido aos requisitos adicionais de dados ao testar o Weather Index, a duração mínima para um conjunto de dados de séries temporais é:
`3 × ForecastHorizon + (BacktestWindows + 1) × BacktestWindowOffset`
Se os conjuntos de dados de séries temporais não atenderem a esse requisito, pense em diminuir os seguintes itens:
+ `ForecastHorizon`: reduza o horizonte de previsão.
+ `BacktestWindowOffset`: reduza o tamanho do conjunto de testes durante o backtesting.
+ `BacktestWindows`: reduza o número de backtests.
# Caracterização Holidays
Holidays é uma caracterização integrada que incorpora um conjunto de dados de informações de feriados nacionais projetado para recurso no modelo. Ele fornece suporte nativo para os calendários de feriados de mais de 250 países. O Amazon Forecast incorpora a [biblioteca de APIs Holiday](https://holidayapi.com/countries) e a [API Jollyday](https://jollyday.sourceforge.net/data.html) para gerar calendários de feriados.
A caracterização Holidays é especialmente útil no domínio do varejo, no qual os feriados públicos podem afetar significativamente a demanda.
A caracterização Holidays oferece suporte a uma frequência mínima de previsão de 5 minutos e máxima de 1 mês.
**Topics**
+ [Como habilitar a caracterização Holidays](#enabling-holidays)
+ [Códigos de país](#holidays-country-codes)
+ [Calendários de feriados adicionais](#holiday-calendars)
## Como habilitar a caracterização Holidays
A caracterização Holidays está incluída no Amazon Forecast como um [conjunto de dados adicional](API_AdditionalDataset.md) e é habilitado antes do treinamento de um preditor. É recomendável que seus dados históricos contenham pelo menos dois anos de dados. Isso permite que o Forecast identifique padrões de demanda associados a feriados específicos. Após escolher um país, o Holidays aplica o calendário de feriados desse país a cada item do seu conjunto de dados durante o treinamento.
Você pode habilitar os feriados usando o console do Amazon Forecast ou o kit de desenvolvimento de software (SDK) do Forecast.
------
#### [ Forecast SDK ]
Usando a operação [`CreateAutoPredictor`](API_CreateAutoPredictor.md), habilite o recurso Holidays adicionando `"Name": "holiday`" e definindo `"Configuration"` para mapear `"CountryCode"`, um código de país de duas letras. Consulte [Códigos de país](#holidays-country-codes).
Por exemplo, para incluir o calendário de feriados dos EUA, use o código a seguir.
```
"DataConfig": {
"AdditionalDatasets": [
{
"Name": "holiday",
"Configuration": {
"CountryCode" : ["US"]
}
},
]
},
```
------
#### [ Forecast Console ]
Escolha um país no menu suspenso **País de base para feriados** durante a etapa **Treinar preditor**.
![\[Toggle switch to activate holidays and dropdown menu to select a country for forecast accuracy.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/holidays-dropdown-2.png)
------
## Códigos de país
O Amazon Forecast fornece suporte nativo para os calendários de feriados públicos dos seguintes países. Use o **Código do país** ao especificar um país com a API.
**Países compatíveis**
| País | Código do país |
| --- | --- |
| Afeganistão | AF |
| Ilhas Åland | AX |
| Albânia | AL |
| Argélia | DZ |
| Samoa Americana | AS |
| Andorra | AD |
| Angola | AO |
| Anguila | AI |
| Antártica | AQ |
| Antígua e Barbuda | AG |
| Argentina | AR |
| Armênia | AM |
| Aruba | AW |
| Austrália | AU |
| Áustria | AT |
| Azerbaijão | AZ |
| Bahamas | BS |
| Bahrein | BH |
| Bangladesh | BD |
| Barbados | BB |
| Bielorrússia | BY |
| Bélgica | BE |
| Belize | BZ |
| Benin | BJ |
| Bermudas | BM |
| Butão | BT |
| Bolívia | BO |
| Bósnia e Herzegovina | BA |
| Botsuana | BW |
| Ilha Bouvet | BV |
| Brasil | BR |
| Território Britânico do Oceano Índico | IO |
| Ilhas Virgens Britânicas | VG |
| Brunei Darussalam | BN |
| Bulgária | BG |
| Burkina Faso | BF |
| Burundi | BI |
| Camboja | KH |
| Camarões | CM |
| Canadá | CA |
| Cabo Verde | CV |
| Países Baixos Caribenhos | BQ |
| Ilhas Cayman | KY |
| República Centro-Africana | CF |
| Chade | TD |
| Chile | CL |
| China | CN |
| Ilha Christmas | CX |
| Ilhas Cocos (Keeling) | CC |
| Colômbia | CO |
| Comores | KM |
| Ilhas Cook | CK |
| Costa Rica | CR |
| Croácia | HR |
| Cuba | CU |
| Curaçau | CW |
| Chipre | CY |
| Tchéquia | CZ |
| República Democrática do Congo | CD |
| Dinamarca | DK |
| Djibuti | DJ |
| Dominica | DM |
| República Dominicana | DO |
| Equador | EC |
| Egito | EG |
| El Salvador | SV |
| Guiné Equatorial | GQ |
| Eritreia | ER |
| Estônia | EE |
| Essuatíni | SZ |
| Etiópia | ET |
| Ilhas Falkland | FK |
| Ilhas Faroe | FO |
| Fiji | FJ |
| Finlândia | FI |
| França | FR |
| Guiana Francesa | GF |
| Polinésia Francesa | PF |
| Territórios Franceses do Sul | TF |
| Gabão | GA |
| Gâmbia | GM |
| Geórgia | GE |
| Alemanha | DE |
| Gana | GH |
| Gibraltar | GI |
| Grécia | GR |
| Groenlândia | GL |
| Granada | GD |
| Guadalupe | GP |
| Guam | GU |
| Guatemala | GT |
| Guernsey | GG |
| Guiné | GN |
| Guiné-Bissau | GW |
| Guiana | GY |
| Haiti | HT |
| Ilha Heard e McDonald Ilhas | HM |
| Honduras | HN |
| Hong Kong | HK |
| Hungria | HU |
| Islândia | IS |
| Índia | IN |
| Indonésia | ID |
| Irã | IR |
| Iraque | IQ |
| Irlanda | IE |
| Ilha de Man | IM |
| Israel | IL |
| Itália | IT |
| Costa do Marfim | CI |
| Jamaica | JM |
| Japão | JP |
| Jérsei | JE |
| Jordânia | JO |
| Cazaquistão | KZ |
| Quênia | KE |
| Quiribati | KI |
| Kosovo | XK |
| Kuwait | KW |
| Quirguistão | KG |
| Laos | LA |
| Letônia | LV |
| Líbano | LB |
| Lesoto | LS |
| Libéria | LR |
| Líbia | LY |
| Liechtenstein | LI |
| Lituânia | LT |
| Luxemburgo | LU |
| Macau | MO |
| Madagascar | MG |
| Malawi | MW |
| Malásia | MY |
| Ilhas Maldivas | MV |
| Mali | ML |
| Malta | MT |
| Ilhas Marshall | MH |
| Martinica | MQ |
| Mauritânia | MR |
| Ilhas Maurício | MU |
| Mayotte | YT |
| México | MX |
| Micronésia | FM |
| Moldávia | MD |
| Mônaco | MC |
| Mongólia | MN |
| Montenegro | ME |
| Montserrat | MS |
| Marrocos | MA |
| Moçambique | MZ |
| Mianmar | MM |
| Namíbia | NA |
| Nauru | NR |
| Nepal | NP |
| Holanda | NL |
| Nova Caledônia | NC |
| Nova Zelândia | NZ |
| Nicarágua | NI |
| Níger | NE |
| Nigéria | NG |
| Niue | NU |
| Ilha Norfolk | NF |
| Coreia do Norte | KP |
| Macedônia do Norte | MK |
| Ilhas Marianas do Norte | MP |
| Noruega | NO |
| Omã | OM |
| Paquistão | PK |
| Palau | PW |
| Palestina | PS |
| Panamá | PA |
| Papua Nova Guiné | PG |
| Paraguai | PY |
| Peru | PE |
| Filipinas | PH |
| Ilhas Pitcairn | PN |
| Polônia | PL |
| Portugal | PT |
| Porto Rico | PR |
| Catar | QA |
| República do Congo | CG |
| Reunião | RE |
| Romênia | RO |
| Federação Russa | RU |
| Ruanda | RW |
| São Bartolomeu | BL |
| "Santa Helena, Ascensão e Tristão da Cunha" | SH |
| São Cristóvão e Nevis | KN |
| Santa Lúcia | LC |
| São Martinho | MF |
| Saint Pierre e Miquelon | PM |
| São Vicente e Granadinas | VC |
| Samoa | WS |
| São Marinho | SM |
| São Tomé e Príncipe | ST |
| Arábia Saudita | SA |
| Senegal | SN |
| Sérvia | RS |
| Seichelles | SC |
| Serra Leoa | SL |
| Cingapura | SG |
| Sint Maarten | SX |
| Eslováquia | SK |
| Eslovênia | SI |
| Ilhas Salomão | SB |
| Somália | SO |
| África do Sul | ZA |
| Ilhas Geórgia do Sul e Sandwich do Sul | GS |
| Coreia do Sul | KR |
| Sudão do Sul | SS |
| Espanha | ES |
| Sri Lanka | LK |
| Sudão | SD |
| Suriname | SR |
| Svalbard e Jan Mayen | SJ |
| Suécia | SE |
| Suíça | CH |
| República Árabe da Síria | SY |
| Taiwan | TW |
| Tajiquistão | TJ |
| Tanzânia | TZ |
| Tailândia | TH |
| Timor-Leste | TL |
| Togo | TG |
| Toquelau | TK |
| Tonga | TO |
| Trinidad e Tobago | TT |
| Tunísia | TN |
| Turquia | TR |
| Turcomenistão | TM |
| Ilhas Turcas e Caicos | TC |
| Tuvalu | TV |
| Uganda | UG |
| Ucrânia | UA |
| Emirados Árabes Unidos | AE |
| Reino Unido | GB |
| Nações Unidas | UN |
| Estados Unidos | US |
| Ilhas Menores Distantes dos Estados Unidos | UM |
| Ilhas Virgens Americanas | VI |
| Uruguai | UY |
| Uzbequistão | UZ |
| Vanuatu | VU |
| Cidade do Vaticano | VA |
| Venezuela | VE |
| Vietnã | VN |
| Wallis e Futuna | WF |
| Saara Ocidental | EH |
| Iêmen | YE |
| Zâmbia | ZM |
| Zimbábue | ZW |
## Calendários de feriados adicionais
O Amazon Forecast também oferece suporte a feriados na Índia, na Coreia e nos Emirados Árabes Unidos. Os feriados nesses países estão listados abaixo.
------
#### [ India - "IN" ]
26 de janeiro: Dia da República
15 de agosto: Dia da Independência
2 de outubro: Gandhi Jayanti
------
#### [ Korea - "KR" ]
1º de janeiro: Ano Novo
1º de março: Dia do Movimento de Independência
5 de maio: Dia das Crianças
6 de junho: Dia da Memória
15 de agosto: Dia da Libertação
3 de outubro: Dia da Fundação Nacional
9 de outubro: Dia de Hangul
25 de dezembro: Dia de Natal
------
#### [ United Arab Emirates - "AE" ]
1º de janeiro: Ano Novo
1º de dezembro: Dia da Comemoração
2 a 3 de dezembro: Dia Nacional
Ramadã\$1
Eid al-Fitr\$1
Eid al-Adha\$1
Ano Novo Islâmico\$1
\$1Os feriados islâmicos são determinados pelos ciclos lunares.
------
# Explicabilidade do preditor
A Explicabilidade do preditor ajuda você a entender melhor como os atributos em seus conjuntos de dados afetam sua variável-alvo. O Forecast usa uma métrica chamada Impact scores para quantificar o impacto relativo de cada atributo e determinar se eles aumentarão ou diminuirão os valores da previsão.
Por exemplo, considere um cenário de previsão em que o alvo seja `sales` e haja dois atributos relacionados: `price` e `color`. O Forecast pode descobrir que o preço de um item afeta significativamente as vendas (alta pontuação de impacto), enquanto a cor do item tem um efeito insignificante (baixa pontuação de impacto).
Para habilitar a Explicabilidade do preditor, seu preditor deve incluir pelo menos um dos seguintes elementos: séries temporais relacionadas, metadados de itens ou conjuntos de dados adicionais, como Holidays, e o Weather Index. Consulte [Restrições e práticas recomendadas](#predictor-explainability-best-practices) para obter mais informações.
Para criar pontuações de impacto para séries temporais e pontos temporais específicos, use a Explicabilidade da previsão em vez da Explicabilidade do preditor. Consulte [Explicabilidade da previsão](forecast-explainability.md).
**Topics**
+ [Como interpretar as pontuações de impacto](#predictor-explainability-impact-scores)
+ [Como criar a Explicabilidade do preditor](#creating-predictor-explainability)
+ [Como exportar a Explicabilidade do preditor](#exporting-predictor-explainability)
+ [Restrições e práticas recomendadas](#predictor-explainability-best-practices)
## Como interpretar as pontuações de impacto
As pontuações de impacto medem o impacto relativo que os atributos têm nos valores de previsão. Por exemplo, se o atributo “price” tiver uma pontuação de impacto duas vezes maior que o atributo “store location”, você concluirá que o preço de um item tem o dobro do impacto nos valores de previsão do que o local da loja.
As pontuações de impacto também informam se os atributos aumentam ou diminuem os valores de previsão. No console, isso é indicado pelos dois gráficos. Atributos com barras azuis aumentam os valores de previsão, enquanto os atributos com barras vermelhas diminuem os valores de previsão.
![\[Bar graphs showing Price and Promo increasing impact scores, StoreLocation decreasing impact score.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/quicksight-unfiltered.png)
No console, as pontuações de impacto variam de 0 a 1, em que uma pontuação de 0 indica nenhum impacto e uma pontuação próxima a 1 indica um impacto significativo. No SDKs, as pontuações de impacto variam de -1 a 1, onde o sinal indica a direção do impacto.
É importante observar que as pontuações de impacto medem o impacto relativo dos atributos, e não o impacto absoluto. Portanto, as pontuações de impacto não podem ser usadas para determinar se atributos específicos melhoram a precisão do modelo. Se um atributo tiver uma pontuação de impacto baixa, isso não significará necessariamente que ele tenha um baixo impacto nos valores de previsão, mas sim que ele tem um impacto menor nos valores de previsão do que outros atributos usados pelo preditor.
## Como criar a Explicabilidade do preditor
**nota**
Você pode criar um máximo de uma Explicabilidade do preditor por preditor.
Quando você ativa a Explicabilidade do preditor, o Amazon Forecast calcula as pontuações de impacto para todos os atributos em seus conjuntos de dados. As pontuações de impacto podem ser interpretadas como o impacto que os atributos têm nos valores gerais da previsão. Você pode ativar a Explicabilidade do preditor ao criar um preditor ou ativar o recurso após criar o preditor.
### Como habilitar a Explicabilidade do preditor para um novo preditor
Ativar a Explicabilidade do preditor ao criar um novo preditor criará tanto um recurso de Preditor quanto um recurso de Explicabilidade. Você pode habilitar a Explicabilidade do preditor para um novo preditor usando o kit de desenvolvimento de software (SDK) ou o console do Amazon Forecast.
------
#### [ Console ]
**Para habilitar a Explicabilidade do preditor**
1. Faça login Console de gerenciamento da AWS e abra o console do Amazon Forecast em [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Na página **Grupos de conjuntos de dados**, escolha seu grupo de conjuntos de dados.
1. No painel de navegação, selecione **Preditores**.
1. Escolha **Treinar novo preditor**.
1. Na seção **Configuração do preditor**, escolha **Ativar explicabilidade**.
1. Forneça os valores para os seguintes campos obrigatórios:
+ **Nome**: um nome de preditor exclusivo.
+ **Frequência de previsão**: a granularidade das previsões.
+ **Horizonte de previsão**: o número de etapas de tempo a serem previstas.
1. Escolha **Iniciar**
------
#### [ Python ]
Para permitir a explicabilidade de um novo preditor com o SDK para Python (Boto3), use o método e defina como true. `create_auto_predictor` ExplainPredictor
O código a seguir cria um preditor automático que faz previsões para 24 (`ForecastHorizon`) dias (`ForecastFrequency`) no futuro e com `ExplainPredictor` definido como true. Para obter informações sobre os parâmetros obrigatórios e opcionais, consulte [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
)
```
------
### Como habilitar a Explicabilidade do preditor para um preditor existente
Habilitar a Explicabilidade do preditor para um preditor existente criará um recurso de explicabilidade para esse recurso. Você só pode criar um recurso de explicabilidade para preditores que ainda não contenham um recurso desse tipo. Para ver as pontuações de impacto de um conjunto de dados atualizado, treine novamente ou recrie o preditor com os dados atualizados.
Você pode habilitar a Explicabilidade do preditor para um novo preditor usando o kit de desenvolvimento de software (SDK) ou o console do Amazon Forecast.
------
#### [ Console ]
**Para habilitar a Explicabilidade do preditor**
1. Faça login Console de gerenciamento da AWS e abra o console do Amazon Forecast em [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Na página **Grupos de conjuntos de dados**, escolha seu grupo de conjuntos de dados.
1. No painel de navegação, selecione **Preditores**.
1. Escolha seu preditor.
1. Na seção **Explicabilidade do preditor**, escolha **Habilitar explicabilidade**.
1. Forneça um nome exclusivo para a Explicabilidade do preditor.
1. Escolha **Iniciar**
------
#### [ Python ]
Para ativar a Explicabilidade do preditor para um preditor existente com o SDK for Python (Boto3), use o método `create_explainability`. **Especifique um nome para a explicabilidade, o ARN para o preditor e para `ExplainabilityConfig`, defina `TimePointGranularity` e `TimeSeriesGranularity` como ALL**. **Para criar uma visualização de Explicabilidade que possa ser visualizada no console, defina `EnableVisualization` como True**.
Para obter informações sobre os parâmetros obrigatórios e opcionais, consulte [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
)
```
------
## Como exportar a Explicabilidade do preditor
**nota**
Os arquivos de exportação podem retornar diretamente informações da importação do conjunto de dados. Isso tornará os arquivos vulneráveis à injeção de CSV se os dados importados contiverem fórmulas ou comandos. Por esse motivo, os arquivos exportados poderão gerar avisos de segurança. Para evitar atividades mal intencionadas, desabilite os links e as macros ao realizar a leitura de arquivos exportados.
O Forecast permite que você exporte um arquivo CSV ou Parquet de pontuações de impacto para um local do S3. As pontuações de impacto variam de -1 a 1, em que o sinal indica a direção do impacto. Você pode exportar as pontuações de impacto usando o kit de desenvolvimento de software (SDK) e o console do Amazon Forecast.
![\[Table showing normalized impact scores for price, promotion, weather index, and US holidays.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/explainability-global.png)
------
#### [ Console ]
**Para exportar a Explicabilidade do preditor**
1. Faça login Console de gerenciamento da AWS e abra o console do Amazon Forecast em [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Na página **Grupos de conjuntos de dados**, escolha seu grupo de conjuntos de dados.
1. No painel de navegação, selecione **Preditores**.
1. Escolha seu preditor.
1. Na seção **Explicabilidade do preditor**, escolha **Exportar**.
1. No campo **Nome da exportação**, forneça um nome exclusivo para a exportação.
1. No campo **Local de exportação da explicabilidade do S3**, insira um local do S3 para exportar o arquivo CSV.
1. No campo **Perfil do IAM**, forneça um perfil com acesso ao local especificado do S3.
1. Escolha **Criar exportação**.
------
#### [ Python ]
Para exportar uma Explicabilidade do preditor com o SDK for Python (Boto3), use o método `create_explainability_export`. Dê um nome ao trabalho, especifique o ARN da explicabilidade e, no objeto `Destination`, especifique a localização de destino do Amazon S3 e o perfil de serviço do IAM.
Para obter informações sobre os parâmetros obrigatórios e opcionais, consulte [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'
)
```
------
## Restrições e práticas recomendadas
Considere as seguintes restrições e práticas recomendadas ao trabalhar com a Explicabilidade do preditor.
+ A **explicabilidade do preditor está disponível somente para alguns preditores criados com AutoPredictor** - Você não pode ativar a explicabilidade para preditores legados que foram criados com o AutoML ou por meio de seleção manual. Consulte [Atualizando para. AutoPredictor](howitworks-predictor.md#upgrading-autopredictor)
+ A **explicabilidade do Predictor não está disponível para todos os modelos - os modelos** ARIMA (média móvel AutoRegressive integrada), ETS (Exponential Smoothing State Space Model) e NPTS (série temporal não paramétrica) não incorporam dados externos de séries temporais. Portanto, esses modelos não criam um relatório de explicabilidade, mesmo se você incluir os conjuntos de dados adicionais.
+ **A explicabilidade requer atributos:** seu preditor deve incluir pelo menos um dos seguintes elementos: séries temporais relacionadas, metadados de itens, Holidays ou o Weather Index.
+ **Os preditores estão limitados a um recurso de explicabilidade:** você não pode criar vários recursos de explicabilidade para um preditor. Se você tiver interesse nas pontuações de impacto de um conjunto de dados atualizado, treine novamente seu preditor.
+ **Pontuações de impacto zero indicam nenhum impacto:** se um atributo tiver uma pontuação de impacto 0, esse atributo não terá impacto significativo nos valores previstos.
+ **Tentando novamente trabalhos de explicabilidade do Predictor que falharam - Se o Forecast** criar com êxito um Predictor, mas o trabalho do Predictor explicabilidade falhar, você poderá tentar criar novamente o Predictor Explicability no console ou com a operação. CreateExplainability
+ **Você não pode criar pontuações de impacto para pontos de tempo e séries temporais específicos:** para ver pontuações de impacto para pontos de tempo e séries temporais específicos, consulte [Explicabilidade de previsão](forecast-explainability.md).
+ **As visualizações de Explicabilidade do preditor estão disponíveis por 90 dias após a criação:** para ver a visualização após 90 dias, treine novamente o preditor.
# Monitoramento de preditores
**nota**
Se você ativar o monitoramento de preditores, o Amazon Forecast armazenará dados de cada uma de suas previsões para análise de desempenho do preditor, mesmo depois de excluir os dados de previsão. Para excluir esses dados, exclua o recurso de monitor.
O monitoramento do preditor permite que você veja como o desempenho do preditor muda com o passar do tempo. Vários fatores podem causar mudanças no desempenho, como desenvolvimentos econômicos ou mudanças no comportamento do cliente.
Por exemplo, considere um cenário de previsão em que o alvo seja `sales` e haja dois atributos relacionados: `price` e `color`. Nos meses após a criação do primeiro preditor, certas cores podem se tornar inesperadamente mais populares entre seus clientes. Isso pode aumentar as vendas de itens com esse atributo. Esses novos dados podem afetar o desempenho do seu preditor e a precisão das previsões que ele gera.
Com o monitoramento de preditores ativado, o Forecast analisa o desempenho do seu preditor à medida que você gera previsões e importa mais dados. O Forecast compara os novos dados com as previsões anteriores para detectar quaisquer alterações no desempenho. Você pode ver gráficos de como diferentes métricas de precisão mudaram ao longo do tempo no console Forecast. Ou pode obter resultados de monitoramento com a operação [ListMonitorEvaluations](API_ListMonitorEvaluations.md).
O monitoramento do preditor ajuda a decidir se está na hora de treinar novamente seu preditor. Se o desempenho estiver diminuindo, você poderá treinar novamente o preditor com base em dados mais recentes. Se você treinar novamente seu preditor, o novo preditor incluirá os dados de monitoramento do anterior. Você também pode usar o monitoramento de preditores para coletar dados contextuais sobre seu ambiente de produção ou para realizar comparações para diferentes experimentos.
O monitoramento de preditores está disponível apenas para AutoPredictors. Você pode atualizar os preditores legados existentes para AutoPredictor. Consulte [Atualizando para. AutoPredictor](howitworks-predictor.md#upgrading-autopredictor)
**Topics**
+ [Fluxo de trabalho de monitoramento do preditor](#predictor-monitoring-workflow)
+ [Habilitar o monitoramento do preditor](enabling-predictor-monitoring.md)
+ [Visualizar os resultados do monitoramento](predictor-monitoring-results.md)
+ [Restrições e melhores práticas](#predictor-monitoring-best-practices)
## Fluxo de trabalho de monitoramento do preditor
Para ver os resultados do monitoramento do preditor, você deve primeiro usar seu preditor para gerar uma previsão e depois importar mais dados. O fluxo de trabalho é o seguinte:
1. Ative o monitoramento de preditores para um preditor automático:
+ Crie um novo preditor com o monitoramento ativado. Consulte [Como habilitar o monitoramento de preditores para um novo preditor](enabling-predictor-monitoring.md#enabling-predictor-monitoring-new).
+ Ou habilite o monitoramento de um preditor existente. Consulte [Como habilitar o monitoramento de preditores para um preditor existente](enabling-predictor-monitoring.md#enabling-predictor-monitoring-existing).
1. Use o preditor para gerar uma ou mais previsões.
1. Importe mais dados. Para obter informações sobre a importação de dados para o Forecast, consulte [Importação de conjuntos de dados](howitworks-datasets-groups.md).
1. Veja os resultados do monitoramento do preditor:
+ Você pode ver os resultados na guia **Monitoramento** do preditor.
+ Ou você pode obter resultados de monitoramento com a operação [ListMonitorEvaluations](API_ListMonitorEvaluations.md).
Para obter mais informações, consulte [Visualizar os resultados do monitoramento](predictor-monitoring-results.md).
# Habilitar o monitoramento do preditor
Você pode ativar o monitoramento do preditor ao criar o preditor ou ativá-lo para um preditor existente.
**nota**
O monitoramento de preditores está disponível apenas para AutoPredictors. Você pode atualizar os preditores legados existentes para AutoPredictor. Consulte [Atualizando para. AutoPredictor](howitworks-predictor.md#upgrading-autopredictor)
**Topics**
+ [Como habilitar o monitoramento de preditores para um novo preditor](#enabling-predictor-monitoring-new)
+ [Como habilitar o monitoramento de preditores para um preditor existente](#enabling-predictor-monitoring-existing)
## Como habilitar o monitoramento de preditores para um novo preditor
Você pode ativar o monitoramento do preditor para um novo preditor com o console,, AWS CLI AWS SDKs, e a [CreateAutoPredictor](API_CreateAutoPredictor.md) operação.
------
#### [ Console ]
**Para ativar o monitoramento do preditor**
1. Faça login Console de gerenciamento da AWS e abra o console do Amazon Forecast em [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Na página **Grupos de conjuntos de dados**, escolha seu grupo de conjuntos de dados.
1. No painel de navegação, selecione **Preditores**.
1. Escolha **Treinar novo preditor**.
1. Na seção **Configuração do preditor**, escolha **Ativar monitoramento**.
1. Forneça os valores para os seguintes campos obrigatórios:
+ **Nome**: um nome de preditor exclusivo.
+ **Frequência de previsão**: a granularidade das previsões.
+ **Horizonte de previsão**: o número de etapas de tempo a serem previstas.
1. Escolha **Iniciar** para criar um preditor automático com o monitoramento ativado. Você verá os resultados do monitoramento ao usar o preditor para gerar previsões e depois importar mais dados.
------
#### [ Python ]
Para ativar o monitoramento do preditor para um novo preditor com o SDK para Python (Boto3), use o método `create_auto_predictor` e forneça um nome de monitor em `MonitoringConfig`.
O código a seguir cria um preditor automático que faz previsões para 24 (`ForecastHorizon`) dias (`ForecastFrequency`) no futuro e especifica `MyPredictorMonitor` como o `MonitorName`. Depois de gerar uma previsão e importar mais dados, você pode ver os resultados do monitoramento do preditor. Para obter mais informações sobre recuperação de logs, consulte [Visualizar os resultados do monitoramento](predictor-monitoring-results.md).
Para obter informações sobre os parâmetros obrigatórios e opcionais para criar um preditor, consulte [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"
}
)
```
------
## Como habilitar o monitoramento de preditores para um preditor existente
Você pode ativar o monitoramento do preditor para um preditor existente com o console AWS CLI, e. AWS SDKs
------
#### [ Console ]
**Para habilitar o monitoramento de preditores**
1. Faça login Console de gerenciamento da AWS e abra o console do Amazon Forecast em [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Na página **Grupos de conjuntos de dados**, escolha seu grupo de conjuntos de dados.
1. No painel de navegação, selecione **Preditores**.
1. Escolha seu preditor.
1. Acesse a guia **Monitoramento**.
1. Na seção **Detalhes do monitoramento**, escolha **Iniciar monitoramento**.
Quando o **Status de monitoramento** é Ativo, o monitoramento de preditores está ativado. Depois de gerar uma previsão e importar mais dados, você poderá visualizar os resultados do monitoramento do preditor. Para obter mais informações, consulte [Visualizar os resultados do monitoramento](predictor-monitoring-results.md)
------
#### [ Python ]
Para habilitar o monitoramento do preditor para um preditor existente com o SDK para Python (Boto3), use o método `create_monitor`. Especifique um nome para o monitoramento e, para `ResourceArn`, especifique o nome do recurso da Amazon (ARN) para o preditor monitorar. Use o método `describe_monitor` e forneça o ARN do monitor para obter o status do monitor. Depois de gerar uma previsão e importar mais dados, você poderá visualizar os resultados do monitoramento do preditor. Para obter mais informações, consulte [Visualizar os resultados do monitoramento](predictor-monitoring-results.md).
Para obter informações sobre os parâmetros obrigatórios e opcionais, consulte [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'])
```
------
# Visualizar os resultados do monitoramento
Depois de gerar uma previsão e importar mais dados, você poderá visualizar os resultados do monitoramento do preditor. Você pode ter uma visualização dos resultados com o console Forecast ou pode obter os resultados de forma programática com a operação [ListMonitorEvaluations](API_ListMonitorEvaluations.md).
O console Forecast exibe gráficos de resultados para cada [métrica do preditor](metrics.md). Os gráficos incluem como cada métrica mudou ao longo da vida útil do preditor e dos eventos dele, como um novo treinamento.
A operação [ListMonitorEvaluations](API_ListMonitorEvaluations.md) gera resultados métricos e eventos preditores para diferentes períodos.
------
#### [ Console ]
**Para ver os resultados do monitoramento do preditor**
1. Faça login Console de gerenciamento da AWS e abra o console do Amazon Forecast em [https://console.aws.amazon.com/forecast/](https://console.aws.amazon.com/forecast/).
1. Na página **Grupos de conjuntos de dados**, escolha seu grupo de conjuntos de dados.
1. No painel de navegação, selecione **Preditores**.
1. Escolha o preditor e escolha a guia **Monitoramento**.
+ A seção **Resultados do monitoramento** mostra como as diferentes métricas de precisão mudaram com o passar do tempo. Use a lista suspensa para alterar a métrica que o gráfico monitora.
+ A seção **Histórico de monitoramento** mostra os detalhes dos diferentes eventos rastreados nos resultados.
Veja um exemplo de um gráfico de como a pontuação `Avg wQL` de um preditor mudou ao longo do tempo. No gráfico, observe que o valor `Avg wQL` está aumentando com o tempo. Esse aumento indica que a precisão do preditor está diminuindo. Use essas informações para determinar se você precisa revalidar o modelo e tomar alguma atitude.
![\[Graph showing increasing Avg wQL score over time, indicating decreasing predictor accuracy.\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/predictor-drift.png)
------
#### [ SDK for Python (Boto3) ]
Para obter resultados de monitoramento com o SDK para Python (Boto3), use o método `list_monitor_evaluations`. Forneça o nome do recurso da Amazon (ARN) do monitor e, opcionalmente, especifique o número máximo de resultados a serem obtidos com o parâmetro `MaxResults`. Opcionalmente, especifique um `Filter` para filtrar os resultados. Você pode filtrar as avaliações por `EvaluationState` um de `SUCCESS` ou`FAILURE`. O seguinte código obtém no máximo 20 avaliações de monitoramento bem-sucedidas.
```
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)
```
O seguinte é um exemplo de resposta do JSON.
```
{
"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}
]
}
]
}
```
------
## Restrições e melhores práticas
Considere as seguintes restrições e práticas recomendadas ao trabalhar com o monitoramento de preditores.
+ **O monitoramento de preditores está disponível somente para preditores automáticos:** você não pode ativar o monitoramento de preditores antigos que foram criados com o AutoML ou por meio de seleção manual. Consulte [Atualizando para. AutoPredictor](howitworks-predictor.md#upgrading-autopredictor)
+ **O monitoramento por preditor é exclusivo por preditor automático:** você só pode criar um monitor por preditor automático.
+ **O monitoramento de preditores exige novos dados e a geração de previsões:** à medida que você importa novos dados que são usados para gerar novas previsões, os resultados do monitoramento de preditores ficam disponíveis. Se você não estiver importando novos dados ou se os dados recém-importados não cobrirem um horizonte de previsão completo, você não verá os resultados do monitoramento.
+ **O monitoramento de preditores exige novas previsões:** você deve gerar continuamente novas previsões para gerar resultados de monitoramento. Se você não estiver gerando novas previsões, não verá os resultados do monitoramento.
+ **O Amazon Forecast armazenará dados de cada uma de suas previsões para análise de desempenho do preditor:** o Forecast armazenará esses dados mesmo se você excluir previsões. Para excluir esses dados, exclua o monitor associado.
+ A operação [StopResource](API_StopResource.md) interromperá todas as avaliações atuais e futuras.
+ A métrica avgWQL está disponível somente quando você gera previsões para quantis diferentes da média.
+ As avaliações do monitor em andamento não são mostradas na operação [ListMonitorEvaluations](API_ListMonitorEvaluations.md).
# Algoritmos do Amazon Forecast
Um preditor do Amazon Forecast usa um algoritmo para treinar um modelo com seus conjuntos de dados de séries temporais. O modelo treinado é, então, usado para gerar métricas e previsões.
Se você não tiver certeza de qual algoritmo deve usar para treinar seu modelo, escolha AutoML ao criar um preditor e deixe o Forecast treinar o modelo ideal para seus conjuntos de dados. Caso contrário, é possível selecionar um dos algoritmos do Amazon Forecast manualmente.
**Cadernos Python**
Para obter um step-by-step guia sobre como usar o AutoML, consulte [Introdução ao AutoML](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Getting_started_with_AutoML/Getting_started_with_AutoML.ipynb).
## Algoritmos integrados do Forecast
O Amazon Forecast fornece seis algoritmos integrados para você escolher. Eles variam de algoritmos estatísticos comumente usados, como Autoregressive Integrated Moving Average (ARIMA), a algoritmos complexos de redes neurais, como CNN-QR e DeepAR\$1.
### [CNN-QR](aws-forecast-algo-cnnqr.md)
`arn:aws:forecast:::algorithm/CNN-QR`
O Amazon Forecast CNN-QR, Rede Neural Convolucional - Regressão Quantílica, é um algoritmo de aprendizado de máquina proprietário para prever séries temporais usando redes neurais convolucionais causais (). CNNs O CNN-QR funciona melhor com grandes conjuntos de dados contendo centenas de séries temporais. Ele aceita metadados de itens e é o único algoritmo do Forecast que aceita dados de séries temporais relacionados sem valores futuros.
### [DeepAR\$1](aws-forecast-recipe-deeparplus.md)
`arn:aws:forecast:::algorithm/Deep_AR_Plus`
O Amazon Forecast DeepAr\$1 é um algoritmo de aprendizado de máquina proprietário para prever séries temporais usando redes neurais recorrentes (). RNNs O DeepAR\$1 funciona melhor com grandes conjuntos de dados contendo centenas de séries temporais de recursos. O algoritmo aceita séries temporais prospectivas relacionadas e metadados de itens.
### [Prophet](aws-forecast-recipe-prophet.md)
`arn:aws:forecast:::algorithm/Prophet`
O Prophet é um algoritmo de previsão de séries temporais baseado em um modelo aditivo em que as tendências não lineares se ajustam à sazonalidade anual, semanal e diária. Ele funciona melhor com séries temporais que tenham fortes efeitos sazonais e várias temporadas de dados históricos.
### [NPTS](aws-forecast-recipe-npts.md)
`arn:aws:forecast:::algorithm/NPTS`
O algoritmo proprietário Non-Parametric Time Series (NPTS) do Amazon Forecast é um preditor escalável de linha de base probabilística. O NPTS é especialmente útil no trabalho com séries temporais esparsas ou intermitentes. O Forecast fornece quatro variantes de algoritmo: Standard NPTS, Seasonal NPTS, Climatological Forecaster e Seasonal Climatological Forecaster.
### [ARIMA](aws-forecast-recipe-arima.md)
`arn:aws:forecast:::algorithm/ARIMA`
O Autoregressive Integrated Moving Average (ARIMA) é um algoritmo de estatísticas comumente usado para previsão de série temporais. O algoritmo é especialmente útil para conjuntos de dados simples com menos de 100 séries temporais.
### [ETS](aws-forecast-recipe-ets.md)
`arn:aws:forecast:::algorithm/ETS`
O Exponential Smoothing (ETS) é um algoritmo de estatísticas comumente usado para previsão de séries temporais. O algoritmo é especialmente útil para conjuntos de dados simples com menos de 100 séries temporais e conjuntos de dados com padrões de sazonalidade. O ETS calcula uma média ponderada sobre todas as observações no conjunto de dados de séries temporais como sua previsão, com ponderações que diminuem exponencialmente ao longo do tempo.
## Comparação entre os algoritmos do Forecast
Use a tabela a seguir para encontrar a melhor opção para seus conjuntos de dados de séries temporais.
| | Redes neurais | Algoritmos locais flexíveis | Algoritmos de linha de base | | CNN-QR | DeepAR\$1 | Prophet | NPTS | ARIMA | ETS |
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |
| Processo de treinamento computacionalmente intensivo | Alto | Alto | Médio | Baixo | Baixo | Baixo |
| Séries temporais históricas relacionadas\$1 | ![\[Yes\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) |
| Séries temporais prospectivas relacionadas\$1 | ![\[Yes\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) |
| Aceita metadados de itens (cor do produto, marca etc.) | ![\[Yes\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) |
| Aceita a caracterização integrada do Weather Index | ![\[Yes\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) |
| Adequado para conjuntos de dados esparsos | ![\[Yes\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) | ![\[Yes\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) |
| Executa a otimização de hiperparâmetros (HPO) | ![\[Yes\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) |
| Permite substituir os valores padrão de hiperparâmetros | ![\[Yes\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) | ![\[Yes\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) | ![\[Yes\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-yes.png) | ![\[No\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) | ![\[No\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/icon-no.png) |
\$1Para obter mais informações sobre séries temporais relacionadas, consulte [Séries temporais relacionadas](related-time-series-datasets.md).
# Algoritmo Autoregressive Integrated Moving Average (ARIMA)
Autoregressive Integrated Moving Average ([ARIMA](https://en.wikipedia.org/wiki/Autoregressive_integrated_moving_average)) é um algoritmo de estatísticas locais comumente usado para previsões de série temporais. Ela captura várias estruturas temporais padrão (organizações com padrão de tempo) no conjunto de dados de entrada. O algoritmo ARIMA do Amazon Forecast chama a [função Arima](https://cran.r-project.org/web/packages/forecast/forecast.pdf#Rfn.Arima.1) no `Package 'forecast'` da Comprehensive R Archive Network (CRAN).
## Como funciona a ARIMA
O algoritmo da ARIMA é especialmente útil para conjuntos de dados que podem ser mapeados para séries temporais estacionárias. As propriedades estatísticas de séries temporais estacionárias, como correlações automáticas, são independentes. Os conjuntos de dados de séries temporais estacionárias normalmente contêm uma combinação de sinal e ruído. O sinal pode apresentar um padrão de oscilação sinusoidal ou ter um componente sazonal. A ARIMA funciona como um filtro para separar o sinal do ruído e extrapola o sinal no futuro para fazer previsões.
## Hiperparâmetros e ajuste da ARIMA
Para obter informações sobre hiperparâmetros e ajuste da ARIMA, consulte a `Arima`documentação da função no [Pacote "previsão"](https://cran.r-project.org/web/packages/forecast/forecast.pdf) da [CRAN](https://cran.r-project.org).
O Amazon Forecast converte o parâmetro `DataFrequency` especificado na operação [CreateDataset](API_CreateDataset.md) no parâmetro `frequency` da função R [ts](https://www.rdocumentation.org/packages/stats/versions/3.6.1/topics/ts) usando a seguinte tabela:
| DataFrequency (string) | Frequência R ts (inteiro) |
| --- | --- |
| S | 1 |
| M | 12 |
| W | 52 |
| D | 7 |
| H | 24 |
| 30min | 2 |
| 15min | 4 |
| 10min | 6 |
| 5min | 12 |
| 1min | 60 |
Para frequências menores que 24 ou séries temporais curtas, os hiperparâmetros são definidos usando a função `auto.arima` do `Package 'forecast'` de [CRAN](https://cran.r-project.org). Para frequências maiores que ou iguais a 24 e séries temporais longas, usamos uma série Fourier com K = 4, conforme descrito aqui, [Previsão com longos períodos sazonais](https://robjhyndman.com/hyndsight/longseasonality/).
As frequências de dados compatíveis que não estão na tabela assumem como padrão uma frequência `ts` de 1.
# Algoritmo CNN-QR
O Amazon Forecast CNN-QR, Rede Neural Convolucional - Regressão Quantílica, é um algoritmo de aprendizado de máquina proprietário para prever séries temporais escalares (unidimensionais) usando redes neurais convolucionais causais (). CNNs Esse algoritmo de aprendizado supervisionado treina um modelo global de uma grande coleção de séries temporais e usa um decodificador quantílico para fazer previsões probabilísticas.
**Topics**
+ [Conceitos básicos do CNN-QR](#aws-forecast-algo-cnnqr-getting-started)
+ [Como funciona o CNN-QR](#aws-forecast-algo-cnnqr-how-it-works)
+ [Uso de dados relacionados com o CNN-QR](#aws-forecast-algo-cnnqr-using-rts)
+ [Hiperparâmetros do CNN-QR](#aws-forecast-algo-cnnqr-hyperparameters)
+ [Dicas e melhores práticas](#aws-forecast-algo-cnnqr-tips)
## Conceitos básicos do CNN-QR
Você pode treinar um preditor com o CNN-QR de duas maneiras:
1. Selecionando manualmente o algoritmo CNN-QR.
1. Escolhendo o AutoML (o CNN-QR faz parte do AutoML).
Se você não tiver certeza de qual algoritmo usar, recomendamos selecionar AutoML, e o Forecast selecionará CNN-QR se for o algoritmo mais preciso para seus dados. Para ver se o CNN-QR foi selecionado como o modelo mais preciso, use a [DescribePredictor](https://docs.aws.amazon.com/forecast/latest/dg/API_DescribePredictor.html)API ou escolha o nome do preditor no console.
Estes são alguns dos principais casos de uso do CNN-QR:
+ **Forecast com conjuntos de dados grandes e complexos** - O CNN-QR funciona melhor quando treinado com conjuntos de dados grandes e complexos. A rede neural pode aprender em vários conjuntos de dados, o que é útil quando você tem séries temporais e metadados de itens relacionados.
+ **Previsão com séries temporais relacionadas ao histórico** - O CNN-QR não exige que séries temporais relacionadas contenham pontos de dados dentro do horizonte de previsão. Essa flexibilidade adicional permite que você inclua uma gama mais ampla de séries temporais relacionadas e metadados de itens, como preço do item, eventos, métricas da web e categorias de produtos.
## Como funciona o CNN-QR
O CNN-QR é um modelo sequence-to-sequence (Seq2Seq) para previsão probabilística que testa o quão bem uma previsão reconstrói a sequência de decodificação, condicionada à sequência de codificação.
O algoritmo permite diferentes atributos nas sequências de codificação e decodificação, para que você possa usar uma série temporal relacionada no codificador e omiti-la do decodificador (e vice-versa). Por padrão, séries temporais relacionadas com pontos de dados no horizonte de previsão serão incluídas no codificador e no decodificador. Séries temporais relacionadas sem pontos de dados no horizonte de previsão serão incluídas somente no codificador.
O CNN-QR realiza a regressão quantílica com um CNN causal hierárquico atuando como extrator de atributos que podem ser aprendidos.
Para facilitar os padrões de aprendizagem dependentes de tempo, como picos durante fins de semana, o CNN-QR cria séries temporais de atributos automaticamente com base na granularidade da série temporal. Por exemplo, o CNN-QR cria duas séries temporais de recursos (day-of-month e day-of-year) em uma frequência semanal de séries temporais. O algoritmo usa essas séries temporais de atributos derivados juntamente com a série temporal de atributos personalizada fornecida durante o treinamento e a inferência. O exemplo a seguir mostra uma série temporal de destino, `zi,t`, e dois atributos de série temporal derivada: `ui,1,t` representa a hora do dia e `ui,2,t` representa o dia da semana.
![\[\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/cnnqr-time-frequencies.PNG)
O CNN-QR inclui automaticamente essa série temporal de atributos com base na frequência e no tamanho dos dados de treinamento. A tabela a seguir lista os recursos que podem ser derivados para cada frequência básica de tempo com suporte.
****
| Frequência da série temporal | Atributos derivados |
| --- | --- |
| Minuto | minute-of-hour, hour-of-day, day-of-week, day-of-month, day-of-year |
| Hora | hour-of-day, day-of-week, day-of-month, day-of-year |
| Dia | day-of-week, day-of-month, day-of-year |
| Semana | week-of-month, week-of-year |
| Mês | month-of-year |
Durante o treinamento, cada série temporal no conjunto de dados de treinamento consiste em um par de janelas adjacentes de contexto e previsão com comprimentos fixos predefinidos. Isso é mostrado na figura abaixo, na qual a janela de contexto é representada em verde e a janela de previsão é representada em azul.
Você pode usar um modelo treinado em um determinado conjunto de treinamento para gerar previsões para a série temporal nesse conjunto de treinamento e para outras séries temporais. O conjunto de dados de treinamento consiste em uma série temporal de destino, que pode estar associada a uma lista de séries temporais relacionadas e metadados de itens.
O exemplo a seguir mostra como isso funciona para um elemento de um conjunto de dados de treinamento indexado por `i`. O conjunto de dados de treinamento consiste em uma série temporal de destino, `zi,t`, e duas séries relacionadas associadas: `xi,1,t` e `xi,2,t`. A primeira série temporal relacionada, `xi,1,t`, é uma série temporal prospectiva, enquanto a segunda,`xi,2,t`, é uma série temporal histórica.
![\[\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/cnnqr-short-long-rts.png)
O CNN-QR aprende sobre a série temporal de destino, `zi,t`, e as séries temporais relacionadas, `xi,1,t` e `xi,2,t`, para gerar previsões na janela de previsão, representada pela linha laranja.
## Uso de dados relacionados com o CNN-QR
O CNN-QR oferece suporte a conjuntos de dados de séries temporais históricos e prospectivos. Se você fornecer um conjunto de dados de séries temporais relacionadas ao futuro, qualquer valor ausente será preenchido por meio do [método de preenchimento futuro](howitworks-missing-values.md). Para obter mais informações sobre séries temporais relacionadas históricas e prospectivas, consulte [Uso de conjuntos de dados de séries temporais relacionadas](related-time-series-datasets.md).
Você também pode usar conjuntos de dados de metadados de itens com o CNN-QR. Esses são conjuntos de dados com informações estáticas sobre os itens em sua série temporal de destino. Os metadados de itens são especialmente úteis em cenários de previsão a frio em que há pouco ou nenhum dado histórico. Para obter mais informações sobre os metadados de itens, consulte [Metadados de itens](item-metadata-datasets.md).
## Hiperparâmetros do CNN-QR
O Amazon Forecast otimiza os modelos CNN-QR em hiperparâmetros selecionados. Ao selecionar manualmente o CNN-QR, você tem a opção de passar parâmetros de treinamento para esses hiperparâmetros. A tabela a seguir lista os hiperparâmetros ajustáveis do algoritmo CNN-QR.
| Nome do parâmetro | Valores | Descrição |
| --- | --- | --- |
| context\$1length | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/aws-forecast-algo-cnnqr.html) | O número de pontos de tempo em que o modelo lê antes de fazer as previsões. Normalmente, o CNN-QR tem valores de `context_length` maiores do que o DeepAR\$1 porque o CNN-QR não usa atrasos para analisar dados históricos adicionais. Se o valor de `context_length` estiver fora de um intervalo predefinido, o CNN-QR definirá automaticamente o padrão `context_length` para um valor apropriado. |
| use\$1related\$1data | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/aws-forecast-algo-cnnqr.html) | Determina quais tipos de dados de séries temporais relacionados devem ser incluídos no modelo. Escolha uma das quatro opções: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/aws-forecast-algo-cnnqr.html) `HISTORICAL`: inclui todas as séries temporais relacionadas históricas e `FORWARD_LOOKING` inclui todas as séries temporais relacionadas prospectivas. Você não pode escolher um subconjunto de `HISTORICAL` ou uma série temporal relacionada `FORWARD_LOOKING`. |
| use\$1item\$1metadata | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/aws-forecast-algo-cnnqr.html) | Determina se o modelo inclui metadados de itens. Escolha uma destas opções: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/aws-forecast-algo-cnnqr.html) `use_item_metadata`: inclui todos os metadados de itens fornecidos ou nenhum. Você pode escolher um subconjunto de metadados de itens. |
| epochs | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/aws-forecast-algo-cnnqr.html) | O número máximo de passagens completas pelos dados de treinamento. Conjuntos de dados menores exigem mais epochs. Para valores grandes de `ForecastHorizon` e `context_length`, considere epochs decrescentes para melhorar o tempo de treinamento. |
### Otimização de hiperparâmetros (HPO)
A otimização de hiperparâmetros (HPO) é a tarefa de seleção dos hiperparâmetros ideais para um determinado objetivo de aprendizagem. Com o Forecast, você pode automatizar esse processo de duas maneiras:
1. Ao escolher o AutoML, a HPO será executada automaticamente para o CNN-QR.
1. Seleção manual do CNN-QR e configuração de `PerformHPO = TRUE`.
Metadados de itens e séries temporais relacionadas adicionais nem sempre melhoram a precisão do seu modelo CNN-QR. Quando você executa o AutoML ou ativa a HPO, o CNN-QR testa a precisão do modelo com e sem os metadados de itens e série temporal relacionada fornecidos e seleciona o modelo com a maior precisão.
O Amazon Forecast otimiza automaticamente os três hiperparâmetros a seguir durante a HPO e fornece os valores finais treinados:
+ **context\$1length**: determina até onde a rede pode ver no passado. O processo de HPO define automaticamente um valor `context_length` que maximiza a precisão do modelo, levando em consideração o tempo de treinamento.
+ **use\$1related\$1data** - determina quais formas de dados de séries temporais relacionadas devem ser incluídas em seu modelo. O processo de HPO verifica automaticamente se os dados de séries temporais relacionados melhoram o modelo e seleciona a configuração ideal.
+ **use\$1item\$1metadata** - determina se os metadados de itens devem ser incluídos em seu modelo. O processo de HPO verifica automaticamente se os metadados de itens melhoram o modelo e escolhe a configuração ideal.
**nota**
Se `use_related_data` estiver definido como `NONE` ou `HISTORICAL` quando o recurso `Holiday` suplementar for selecionado, isso significa que a inclusão de dados de feriados não melhorará a precisão do modelo.
Você pode definir a configuração de HPO para o hiperparâmetro `context_length` se você definir `PerformHPO = TRUE` durante a seleção manual. No entanto, você não pode alterar nenhum aspecto da configuração da HPO se escolher o AutoML. Para obter mais informações sobre a configuração do HPO, consulte a [IntergerParameterRange](https://docs.aws.amazon.com/forecast/latest/dg/API_IntegerParameterRange.html)API.
## Dicas e melhores práticas
**Evite valores grandes para ForecastHorizon** - Usar valores acima de 100 `ForecastHorizon` aumentará o tempo de treinamento e poderá reduzir a precisão do modelo. Para prever mais adiante no futuro, considere a agregação para uma frequência mais alta. Por exemplo, use `5min` em vez de `1min`.
**CNNs permitem um tamanho de contexto maior** - Com o CNN-QR, você pode definir um tamanho `context_length` um pouco maior do que o do DeepAr\$1, pois geralmente CNNs são mais eficientes do que. RNNs
**Engenharia de atributos de dados relacionados** - Experimente diferentes combinações de metadados de itens e séries temporais relacionadas ao treinar seu modelo e avalie se as informações adicionais melhoram a precisão. Diferentes combinações e transformações de metadados de itens e séries temporais relacionadas fornecerão resultados diferentes.
O **CNN-QR não prevê no quantil médio** — Quando você configura `mean` com `ForecastTypes` a [ CreateForecast](https://docs.aws.amazon.com/forecast/latest/dg/API_CreateForecast.html)API, as previsões são geradas no quantil médio (ou). `0.5` `P50`
# Algoritmo DeepAR\$1
O Amazon Forecast DeepAr\$1 é um algoritmo de aprendizado supervisionado para prever séries temporais escalares (unidimensionais) usando redes neurais recorrentes (). RNNs Os métodos de previsão clássicos, como o Média móvel integrada autorregressiva (ARIMA - Autoregressive integrated moving average) ou o Suavização exponencial (ETS - Exponential smoothing), adequam um único modelo a cada série temporal e usam esse modelo para extrapolar as séries temporais para o futuro. Em muitas aplicações, no entanto, você pode ter muitas séries temporais semelhantes em um conjunto de unidades transversais. Esses agrupamentos de série temporal exigem diferentes produtos, cargas de servidor e solicitações de páginas da web. Nesse caso, pode ser útil treinar um modelo único conjuntamente sobre todas essas séries temporais. A DeepAR\$1 usa essa abordagem. Quando o conjunto de dados contém centenas de recursos de série temporal, o algoritmo DeepAR\$1 supera os métodos padrão ARIMA e ETS. Você também pode usar o modelo treinado para gerar previsões para novas séries temporais que são semelhantes às que você já treinou.
**Cadernos Python**
Para obter um step-by-step guia sobre como usar o algoritmo DeepAr\$1, consulte [Introdução](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Getting_started_with_DeepAR%2B/Getting_started_with_DeepAR%2B.ipynb) ao DeepAr\$1.
**Topics**
+ [Como funciona o DeepAR\$1](#aws-forecast-recipe-deeparplus-how-it-works)
+ [Hiperparâmetros do DeepAR\$1](#aws-forecast-recipe-deeparplus-hyperparameters)
+ [Ajustar modelos de DeepAR\$1](#aws-forecast-recipe-deeparplus-tune-model)
## Como funciona o DeepAR\$1
Durante o treinamento, a DeepAR\$1 usa um conjunto de dados de treinamento e um conjunto de dados de teste opcional. Ela usa o conjunto de dados de teste para avaliar o modelo treinado. Em geral, os conjuntos de dados de treinamento e de teste não precisam conter o mesmo conjunto de série temporal. Você pode usar um modelo treinado em um determinado conjunto de treinamento para gerar previsões para o futuro da série temporal nesse conjunto de treinamento e para outras séries temporais. Os conjuntos de dados de treinamento e de teste consistem em séries temporais de destino (de preferência, mais de uma). *Opcionalmente, eles podem ser associados a um vetor de séries temporais de recursos e a um vetor de recursos categóricos (para obter detalhes, consulte [DeepAR Input/Output Interface](https://docs.aws.amazon.com/sagemaker/latest/dg/deepar.html#deepar-inputoutput) no AI Developer Guide). SageMaker * O exemplo a seguir mostra como isso funciona para um elemento de um conjunto de dados de treinamento indexado por `i`. O conjunto de dados de treinamento consiste em uma série temporal de destino, `zi,t`, e duas séries temporais de recursos associadas, `xi,1,t` e `xi,2,t`.
![\[\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/forecast-recipe-deeparplus-ts-full-159.base.png)
A série temporal de destino pode conter valores ausentes (indicados nos gráficos por quebras na série temporal). A DeepAR\$1 é compatível apenas com séries temporais de recursos que são conhecidas no futuro. Isso permite que você execute situações "e se" contrafatuais. Por exemplo, "O que acontecerá se eu alterar o preço de um produto de alguma forma?"
Cada série temporal de destino também pode ser associada a vários atributos categóricos. Você pode usar esses para codificar que uma série temporal pertence a determinados agrupamentos. O uso de recursos categóricos permite que o modelo aprenda o comportamento típico para esses agrupamentos, o que pode aumentar a precisão. Um modelo implementa isso aprendendo um vetor de incorporação para cada grupo que captura as propriedades comuns a todas as séries temporais do grupo.
Para facilitar os padrões dependentes de tempo, como picos durante fins de semana, a DeepAR\$1 cria séries temporais de recursos automaticamente com base na granularidade da série temporal. Por exemplo, a DeepAR\$1 cria duas séries temporais de recursos (dia do mês e dia do ano) em uma série temporal semanal. Ela usa essas séries temporais de recursos derivados junto com a série temporal de recursos personalizada que você fornece durante o treinamento e a inferência. O exemplo a seguir mostra dois recursos de série temporal derivada: `ui,1,t` representa a hora do dia, e `ui,2,t`, o dia da semana.
![\[\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/forecast-recipe-deeparplus-ts-full-159.derived.png)
A DeepAR\$1 inclui essa série temporal de recursos automaticamente com base na frequência e no tamanho dos dados de treinamento. A tabela a seguir lista os recursos que podem ser derivados para cada frequência básica de tempo com suporte.
****
| Frequência da série temporal | Atributos derivados |
| --- | --- |
| Minuto | minute-of-hour, hour-of-day, day-of-week, day-of-month, day-of-year |
| Hora | hour-of-day, day-of-week, day-of-month, day-of-year |
| Dia | day-of-week, day-of-month, day-of-year |
| Semana | week-of-month, week-of-year |
| Mês | month-of-year |
Um modelo de DeepAR\$1 é treinado por amostragem aleatória de vários exemplos de treinamento em cada uma das séries temporais no conjunto de dados de treinamento. Cada exemplo de treinamento consiste em um par de janelas de predição e contexto adjacentes com comprimentos predefinidos fixos. O hiperparâmetro `context_length` controla até que ponto no passado a rede pode ver, e o parâmetro `ForecastHorizon` controla até que ponto no futuro as previsões podem ser feitas. Durante o treinamento, o Amazon Forecast ignora elementos no conjunto de dados de treinamento com séries temporais menores que a duração da previsão especificada. O exemplo a seguir mostra cinco amostras, com uma duração de contexto (realçada em verde) de 12 horas e uma duração de previsão (realçada em azul) de 6 horas, extraídas do elemento `i`. Para resumir, excluímos as séries temporais de recursos `xi,1,t` e `ui,2,t`.
![\[\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/forecast-recipe-deeparplus-ts-full-159.sampled.png)
Para capturar padrões de sazonalidade, o DeepAR\$1 também alimenta valores com atraso (período anterior) automaticamente da série temporal de destino. Em nosso exemplo com amostras tomadas em uma frequência por hora, para cada índice de tempo `t = T`, o modelo expõe os valores `zi,t`, que ocorreram há aproximadamente um, dois e três dias no passado (destacados em rosa).
![\[\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/images/forecast-recipe-deeparplus-ts-full-159.lags.png)
Para inferência, o modelo treinado usa como entrada a série temporal de destino, que pode ou não ter sido usada durante o treinamento, e prevê uma distribuição de probabilidades para os próximos valores de `ForecastHorizon`. Como a DeepAR\$1 é treinada em todo o conjunto de dados, a previsão considera os padrões aprendidos de séries temporais semelhantes.
Para obter informações sobre a matemática por trás da DeepAR\$1, consulte o artigo [DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks](https://arxiv.org/abs/1704.04110) no site da Cornell University Library.
## Hiperparâmetros do DeepAR\$1
A tabela a seguir lista os hiperparâmetros que podem ser usados no algoritmo DeepAR\$1. Os parâmetros em negrito participam da otimização de hiperparâmetros (HPO).
| Nome do parâmetro | Description |
| --- | --- |
| context\$1length | O número de pontos no tempo em que o modelo lê antes de fazer a previsão. O valor desse parâmetro deve ser o mesmo que o de `ForecastHorizon`. O modelo também recebe entradas defasadas do destino, portanto, `context_length` pode ser bem menor que as sazonalidades típicas. Por exemplo, uma série temporal diária pode ter sazonalidade anual. O modelo inclui automaticamente um atraso de um ano, para que a extensão de contexto possa ser menor que um ano. Os valores de atraso que o modelo seleciona dependem da frequência das séries temporais. Por exemplo, os valores defasados de frequência diária são: semana anterior, 2 semanas, 3 semanas, 4 semanas e ano. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| epochs | O número máximo de passagens para examinar os dados de treinamento. O valor ideal depende do tamanho dos dados e da taxa de aprendizado. Conjuntos de dados menores e taxas de aprendizagem mais baixas exigem mais epochs para alcançar bons resultados. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| learning\$1rate | A taxa de aprendizado usada no treinamento. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| learning\$1rate\$1decay | A taxa na qual a taxa de aprendizagem diminui. No máximo, a taxa de aprendizagem é reduzida `max_learning_rate_decays` vezes e o treinamento é interrompido. Este parâmetro será usado somente se `max_learning_rate_decays` for maior que 0. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| likelihood | O modelo gera uma previsão probabilística e pode fornecer quantis da distribuição e retornar amostras. Dependendo de seus dados, escolha uma probabilidade (modelo de ruído) apropriada usada para estimativas de incerteza. Valores válidos [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| max\$1learning\$1rate\$1decays | O número máximo de reduções da taxa de aprendizagem que devem ocorrer. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| num\$1averaged\$1models | Na DeepAR\$1, a trajetória de treinamento pode encontrar vários modelos. Cada modelo pode ter diferentes pontos fortes e fracos de previsão. A DeepAR\$1 pode calcular a média dos comportamentos do modelo para aproveitar os pontos fortes de todos os modelos. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| num\$1cells | O número de células a ser usado em cada camada oculta da RNN. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
| num\$1layers | O número de camadas ocultas na RNN. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) |
## Ajustar modelos de DeepAR\$1
Para ajustar modelos do DeepAR\$1 do Amazon Forecast, siga estas recomendações para otimizar o processo de treinamento e a configuração do hardware.
### Melhores práticas para otimização de processos
Para obter os melhores resultados, siga estas recomendações:
+ Exceto ao dividir os conjuntos de dados de treinamento e teste, sempre forneça toda a série temporal para treinamento e teste e ao chamar o modelo para inferência. Independentemente de como você definir `context_length`, não divida séries temporais ou forneça apenas parte delas. O modelo usará pontos de dados mais anteriores do que `context_length` para os valores de recursos defasados.
+ Para ajustar o modelo, você pode dividir o conjunto de dados em conjuntos de dados de treinamento e teste. Em um cenário de avaliação típico, você deve testar o modelo na mesma série temporal usada no treinamento, mas nos pontos temporais `ForecastHorizon` futuros imediatamente após o último ponto temporal visível durante o treinamento. Para criar conjuntos de dados de treinamento e teste que satisfaçam esses critérios, use o conjunto de dados inteiro (toda a série temporal) como um conjunto de dados de teste e remova os últimos pontos `ForecastHorizon` de cada série temporal para treinamento. Dessa forma, durante o treinamento, o modelo não vê os valores de destino de pontos temporais nos quais ele é avaliado durante o teste. Na fase de teste, os últimos pontos `ForecastHorizon` de cada série temporal no conjunto de dados de teste são retidos, e uma previsão é gerada. A previsão é então comparada com os valores reais dos últimos pontos `ForecastHorizon`. Você pode criar avaliações mais complexas repetindo séries temporais várias vezes no conjunto de dados de teste, mas isolando-as em diferentes pontos finais. Isso produz métricas de precisão médias que são calculadas ao longo de várias previsões de diferentes pontos temporais.
+ Evite usar valores muito grandes (> 400) para o `ForecastHorizon`, pois isso torna o modelo lento e menos preciso. Para prever mais adiante no futuro, considere a agregação para uma frequência mais alta. Por exemplo, use `5min` em vez de `1min`.
+ Devido às defasagens, o modelo pode olhar mais para trás no tempo além de `context_length`. Portanto, você não precisa definir esse parâmetro como um valor grande. Um bom ponto de partida para esse parâmetro é o mesmo valor que o de `ForecastHorizon`.
+ Treine os modelos DeepAR\$1 com quantas séries temporais estiverem disponíveis. Embora um modelo de DeepAR\$1 treinado em uma única série temporal possa funcionar bem, métodos de previsão padrão, como ARIMA ou ETS, podem ser mais precisos e são mais personalizados para este caso de uso. A DeepAR\$1 começa a superar os métodos padrão quando o conjunto de dados contém centenas de séries temporais de recursos. Atualmente, a DeepAR\$1 requer que o número total de observações disponíveis em todas as séries temporais de treinamento seja, pelo menos, 300.
# Algoritmo Exponential Smoothing (ETS)
Exponential Smoothing [(ETS)](https://en.wikipedia.org/wiki/Exponential_smoothing) é um algoritmo de estatísticas locais comumente usado para previsão de séries temporais. O algoritmo ETS do Amazon Forecast chama a [função ets](https://cran.r-project.org/web/packages/forecast/forecast.pdf#Rfn.ets.1) no `Package 'forecast'` do Comprehensive R Archive Network (CRAN).
## Como funciona a ETS
O algoritmo da ETS é especialmente útil para conjuntos de dados com sazonalidade e outras suposições anteriores sobre os dados. A ETS calcula uma média ponderada sobre todas as observações no conjunto de dados de séries temporais de entrada como sua previsão. Os pesos são exponencialmente diminuídos ao longo do tempo, em vez de pesos constantes nos métodos de média de movimentação simples. Os pesos dependem de um parâmetro constante, que é conhecido como o parâmetro de suavização.
## Hiperparâmetros e ajuste da ETS
Para obter informações sobre hiperparâmetros e ajuste da ETS, consulte a documentação da função `ets` no [Pacote "previsão"](https://cran.r-project.org/web/packages/forecast/forecast.pdf) da [CRAN](https://cran.r-project.org).
O Amazon Forecast converte o parâmetro `DataFrequency` especificado na operação [CreateDataset](API_CreateDataset.md) no parâmetro `frequency` da função R [ts](https://www.rdocumentation.org/packages/stats/versions/3.6.1/topics/ts) usando a seguinte tabela:
| DataFrequency (string) | Frequência R ts (inteiro) |
| --- | --- |
| S | 1 |
| M | 12 |
| W | 52 |
| D | 7 |
| H | 24 |
| 30min | 2 |
| 15min | 4 |
| 10min | 6 |
| 5min | 12 |
| 1min | 60 |
As frequências de dados compatíveis que não estão na tabela assumem como padrão uma frequência `ts` de 1.
# Algoritmo Non-Parametric Time Series (NPTS)
O algoritmo Non-Parametric Time Series (NPTS) do Amazon Forecast é um preditor dimensionável de linha de base probabilística. Ela prevê a distribuição de um valor futuro de uma determinada série temporal por amostragem de observações passadas. As previsões são delimitadas pelos valores observados. A NPTS é especialmente útil quando a série temporal é intermitente (ou esparsa, contendo muitos 0s) e aumenta a atividade rapidamente. Por exemplo, a previsão da demanda de itens individuais em que a série temporal tem muitas contagens baixas. O Amazon Forecast fornece variantes da NPTS que diferem em quais das observações passadas são amostradas e como elas são amostradas. Para usar uma variante da NPTS, você escolhe uma configuração de hiperparâmetros.
## Como funciona a NPTS
Semelhante aos métodos clássicos de previsão, como o exponential smoothing (ETS – suavização exponencial) e o autoregressive integrated moving average (ARIMA – média móvel integrada autorregressiva), a NPTS gera previsões para cada série temporal individualmente. As séries temporais no conjunto de dados podem ter diferentes durações. Os pontos temporais onde as observações estão disponíveis são chamados de intervalo de treinamento e os pontos em que a previsão é desejada são chamados de intervalo de previsão.
Os preditores de NPTS do Amazon Forecast têm as seguintes variantes: NPTS, NPTS sazonal, preditor climatológico e preditor sazonal climatológico.
**Topics**
+ [NPTS](#aws-forecast-recipe-npts-variants-npts)
+ [NPTS sazonal](#aws-forecast-recipe-npts-variants-seasonal)
+ [Preditor climatológico](#aws-forecast-recipe-npts-variants-climatological)
+ [Preditor climatológico sazonal](#aws-forecast-recipe-npts-variants-seasonal-climatological)
+ [Recursos sazonais](#aws-forecast-recipe-npts-seasonal-features)
+ [Práticas recomendadas](#aws-forecast-recipe-npts-recommended-practices)
### NPTS
Nesta variante, as previsões são geradas por amostragem de todas as observações no intervalo de treinamento das séries temporais. No entanto, em vez de uma amostragem uniforme de todas as observações, essa variante atribui peso para cada uma das últimas observações de acordo com a distância da etapa do tempo atual em que a previsão é necessária. Especificamente, ela usa pesos que declinam exponencialmente de acordo com a distância das últimas observações. Dessa forma, as observações do passado recente são amostradas com muito maior probabilidade do que as observações do passado distante. Isso pressupõe que o passado próximo é mais indicativo para o futuro do que o passado distante. Você pode controlar a quantidade de declínio nos pesos com o hiperparâmetro `exp_kernel_weights`.
Para usar essa variante de NPTS no Amazon Forecast, defina o hiperparâmetro `use_seasonal_model` como `False` e aceite todas as outras configurações padrão.
### NPTS sazonal
A variante NPTS sazonal é semelhante à NPTS com a exceção de que, em vez de amostragem de todas as observações, ela usa apenas as observações das últimas *estações*. Por padrão, a estação é determinada pela granularidade da série temporal. Por exemplo, para uma série temporal por hora, para prever por hora *t*, essa variante faz amostragens das observações correspondentes à hora *t* nos dias anteriores. Semelhante à NPTS, a observação na hora *t* no último dia recebe mais peso do que as observações na hora *t* dos dias anteriores. Para obter mais informações sobre como determinar a sazonalidade com base na granularidade das séries temporais, consulte [Recursos sazonais](#aws-forecast-recipe-npts-seasonal-features).
### Preditor climatológico
A variante de preditor climatológico usa amostragens de todas as últimas observações com probabilidade uniforme.
Para usar o preditor climatológico, defina o hiperparâmetro `kernel_type` como `uniform` e o hiperparâmetro `use_seasonal_model` como `False`. Aceite as configurações padrão para todos os outros hiperparâmetros.
### Preditor climatológico sazonal
Semelhante à NPTS sazonal, o preditor climatológico sazonal usa amostragens das observações das últimas estações, mas faz amostras delas com probabilidade uniforme.
Para usar o preditor climatológico sazonal, defina o hiperparâmetro `kernel_type` como `uniform`. Aceite todas as configurações padrão de todos os outros hiperparâmetros.
### Recursos sazonais
Para determinar o que corresponde a uma estação para o preditor de NPTS sazonal e climatológico sazonal, use os recursos listados na tabela a seguir. A tabela lista os recursos derivados das frequências de tempo básico suportadas com base na granularidade. O Amazon Forecast inclui esses recursos de séries temporais, portanto, você não precisa fornecê-los.
****
| Frequência da série temporal | Recurso para determinar a sazonalidade |
| --- | --- |
| Minuto | minute-of-hour |
| Hora | hour-of-day |
| Dia | day-of-week |
| Semana | day-of-month |
| Mês | month-of-year |
### Práticas recomendadas
Ao usar os algoritmos NPTS do Amazon Forecast, considere as seguintes práticas recomendadas para preparar os dados e obter ótimos resultados:
+ Como o NPTS gera previsões para cada série temporal individualmente, forneça toda a série temporal ao chamar o modelo de previsão. Além disso, aceite o valor padrão do hiperparâmetro `context_length`. Isso faz com que o algoritmo use toda a série temporal.
+ Se você alterar o `context_length` (porque os dados de treinamento são muito longos), certifique-se de que ele seja grande o suficiente e abranja várias estações anteriores. Por exemplo, para uma série temporal diária, esse valor deve ser pelo menos de 365 dias (desde que você tenha essa quantidade de dados).
## Hiperparâmetros da NPTS
A tabela a seguir lista os hiperparâmetros que podem ser usados no algoritmo NPTS.
| Nome do parâmetro | Description |
| --- | --- |
| context\$1length | O número de pontos temporais no passado que o modelo usa para fazer a previsão. Por padrão, ele usa todos os pontos temporais no intervalo de treinamento. Normalmente, o valor desse hiperparâmetro deve ser grande e abranger várias estações no passado. Por exemplo, para as séries temporais diárias, esse valor deve ser pelo menos de 365 dias. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/aws-forecast-recipe-npts.html) |
| kernel\$1type | O kernel a ser usado para definir os pesos usados para amostragem de observações anteriores. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/aws-forecast-recipe-npts.html) |
| exp\$1kernel\$1weights | Válido somente quando `kernel_type` é `exponential`. O parâmetro de escalabilidade do kernel. Para declínio mais rápido (exponencial) nos pesos fornecidos para as observações no passado distante, use um valor grande. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/aws-forecast-recipe-npts.html) |
| use\$1seasonal\$1model | Ao usar uma variante sazonal. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/aws-forecast-recipe-npts.html) |
| use\$1default\$1time\$1features | Válido apenas para as variantes *NPTS sazonal* e *previsão meteorológica sazonal*. Ao usar recursos sazonais com base na granularidade de séries temporais para determinar a sazonalidade. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/forecast/latest/dg/aws-forecast-recipe-npts.html) |
# Algoritmo Prophet
[Prophet](https://facebook.github.io/prophet/) é um modelo popular de séries temporais estruturais bayesianas locais. O algoritmo Prophet do Amazon Forecast usa a [classe Prophet](https://facebook.github.io/prophet/docs/quick_start.html#python-ap) da implementação do Python de Prophet.
## Como funciona a Prophet
A Prophet é especialmente útil para conjuntos de dados que:
+ Contêm um período longo (meses ou anos) de observações históricas detalhadas (por hora, diária ou semanal)
+ Têm várias sazonalidades fortes
+ Incluem eventos importantes conhecidos anteriormente, mas irregulares
+ Têm pontos de dados ausentes ou grandes exceções
+ Mostram tendências de crescimento não lineares que estão se aproximando de um limite
A Prophet é um modelo de regressão aditiva com uma parte linear ou curva de tendência de crescimento logístico. Ela inclui um componente sazonal anual modelado usando série Fourier e um componente sazonal semanal modelado usando variáveis fictícias.
Para obter mais informações, consulte [Prophet: previsão em grande escala](https://research.facebook.com/blog/2017/2/prophet-forecasting-at-scale/).
## Hiperparâmetros do Prophet e séries temporais relacionadas
O Amazon Forecast usa os [hiperparâmetros](https://facebook.github.io/prophet/docs/quick_start.html#python-ap) padrão do Prophet. O Prophet também é compatível com séries temporais relacionadas como recursos, fornecidas ao Amazon Forecast no arquivo CSV da série temporal relacionada.