本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。 # Forecast 算法 AWS Supply Chain Demand Planning 提供 25 种内置预测模型的组合，用于为客户数据集中具有不同需求模式的产品创建基准需求预测。25个预测模型列表包括11个预测集合（每个集合器都是唯一的，这取决于构成集合器的模型集，即集合器优化的指标）和14种单独的预测算法，包括自回归积分和移动平均线（ARIMA）等统计算法，以及CNN-QR、Temperal Fusion Transformer和Deepar\$1等复杂的神经网络算法。 and/or 客户可以根据自己的用例和独特需求选择使用预测集合器或个人预测算法。虽然预测集成的优势是，客户不必手动处理繁琐的任务，例如模型选择、超参数调整，也不必简单地选择最适合组合器要优化的客户用例的预测误差指标，但单独的预测算法为客户用例提供了灵活性，这些用例最好使用单个模型而不是集合进行预测。 下表列出了 Demand Planning 提供的 AWS Supply Chain 25 种内置预测模型以及它们最适合的模型。 | Type | Forecast Ensembler/Algorithm | 需求历史记录要求 | 合奏中的模特 | 自动超参数调整（是/否） | 默认参数 | 指标已优化 | 模型最适合的场景 | 支持相关时间作为 Forecast Inputt-是/否？ | | --- | --- | --- | --- | --- | --- | --- | --- | --- | | Forecast Model (s) Ensembler | AutoGluon 最佳质量 (MAPE) | 至少是预测展望期的 2 倍 | 模型库中的基线、统计、 ML/Deep 学习[AutoGluon](https://auto.gluon.ai/stable/index.html)模型的集合。 | 是 | AutoGluon 最佳质量预设 | MAPE（平均绝对百分比误差） | 无需手动分配/选择模型即可实现自动合奏。 | 是的，与过去和未来相关的时间序列 | | Forecast Model (s) Ensembler | AutoGluon 最佳质量 (WAPE) | 至少是预测展望期的 2 倍 | 模型库中的基线、统计、 ML/Deep 学习[AutoGluon](https://auto.gluon.ai/stable/index.html)模型的集合。 | 是 | AutoGluon 最佳质量预设 | WAPE（加权绝对百分比误差） | 无需手动分配/选择模型即可实现自动合奏。 | 是的，与过去和未来相关的时间序列 | | Forecast Model (s) Ensembler | AutoGluon 最佳质量 (MASE) | 至少是预测展望期的 2 倍 | 模型库中的基线、统计、 ML/Deep 学习[AutoGluon](https://auto.gluon.ai/stable/index.html)模型的集合。 | 是 | AutoGluon 最佳质量预设 | MASE（平均绝对比例误差） | 无需手动分配/选择模型即可实现自动合奏。 | 是的，与过去和未来相关的时间序列 | | Forecast Model (s) Ensembler | AutoGluon 最佳质量 (RMSE) | 至少是预测展望期的 2 倍 | 模型库中的基线、统计、 ML/Deep 学习[AutoGluon](https://auto.gluon.ai/stable/index.html)模型的集合。 | 是 | AutoGluon 最佳质量预设 | RMSE（均方根误差） | 无需手动分配/选择模型即可实现自动合奏。 | 是的，与过去和未来相关的时间序列 | | Forecast Model (s) Ensembler | AutoGluon 最佳品质 (WCD) | 至少是预测展望期的 2 倍 | 模型库中的基线、统计、 ML/Deep 学习[AutoGluon](https://auto.gluon.ai/stable/index.html)模型的集合。 | 是 | AutoGluon 最佳质量预设 | WCD（加权累积偏差） | 无需手动分配/选择模型即可实现自动合奏。 | 是的，与过去和未来相关的时间序列 | | Forecast Model (s) Ensembler | AutoGluon StatEnsemble （MAPE） | 至少是预测展望期的 2 倍 | 将所有统计模型（仅限）整合到[AutoGluon](https://auto.gluon.ai/stable/index.html)模型库中以生成预测。 | 是 | AutoGluon 所有支持的统计数据模型 | MAPE（平均绝对百分比误差） | 无需手动分配/选择模型即可实现自动合奏。 | 否 | | Forecast Model (s) Ensembler | AutoGluon StatEnsemble （WAPE） | 至少是预测展望期的 2 倍 | 将所有统计模型（仅限）整合到[AutoGluon](https://auto.gluon.ai/stable/index.html)模型库中以生成预测。 | 是 | AutoGluon 所有支持的统计数据模型 | WAPE（加权绝对百分比误差） | 无需手动分配/选择模型即可实现自动合奏。 | 否 | | Forecast Model (s) Ensembler | AutoGluon StatEnsemble （MASE） | 至少是预测展望期的 2 倍 | 将所有统计模型（仅限）整合到[AutoGluon](https://auto.gluon.ai/stable/index.html)模型库中以生成预测。 | 是 | AutoGluon 所有支持的统计数据模型 | MASE（平均绝对比例误差） | 无需手动分配/选择模型即可实现自动合奏。 | 否 | | Forecast Model (s) Ensembler | AutoGluon StatEnsemble (RMSE) | 至少是预测展望期的 2 倍 | 将所有统计模型（仅限）整合到[AutoGluon](https://auto.gluon.ai/stable/index.html)模型库中以生成预测。 | 是 | AutoGluon 所有支持的统计数据模型 | RMSE（均方根误差） | 无需手动分配/选择模型即可实现自动合奏。 | 否 | | Forecast Model (s) Ensembler | AutoGluon StatEnsemble (WCD) | 至少是预测展望期的 2 倍 | 将所有统计模型（仅限）整合到[AutoGluon](https://auto.gluon.ai/stable/index.html)模型库中以生成预测。 | 是 | AutoGluon 所有支持的统计数据模型 | WCD（加权累积偏差） | 无需手动分配/选择模型即可实现自动合奏。 | 否 | | Forecast Model (s) Ensembler | Supply Chain autoL | 至少是预测展望期的 2 倍 | [Amazon Forecast AutoML](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-choosing-recipes.html) 中的所有集合。 | 不适用 | AutoML 默认设置 | P10、P50、P90 的 WQL（加权分位数损失） | 无需手动分配/选择模型即可实现自动合奏。 | 取决于 Ensembler 的精选型号。 | | Forecast 算法 | CNN-QR | 至少是预测范围的 4 倍 | CNN-QR（卷积神经网络——分位数回归）是一种机器学习算法，用于使用因果卷积神经网络（）进行时间序列预测。CNNs | 不适用 | [基于 CNN 的参数](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-algo-cnnqr.html) | P10、P50、P90 的 WQL（加权分位数损失） | 最适合包含数百个时间序列的大型数据集。 | 是的，与过去和未来相关的时间序列 | | Forecast 算法 | DeepAR\$1 | 至少是预测范围的 4 倍 | Deepar\$1 是一种机器学习算法，用于使用循环神经网络进行时间序列预测 () RNNs。 | 不适用 | [Deepar 默认设置](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) | P10、P50、P90 的 WQL（加权分位数损失） | 最适合包含数百个时间序列的大型数据集。 | 是的，与过去和未来相关的时间序列 | | Forecast 算法 | LightGBM | 至少是预测展望期的 2 倍 | Light Gradient-Boosting Machine (LGBM) 是一种表格机器学习模型，它使用过去几个季节的历史需求数据。 | 不适用 | LightGBM 默认参数 | P10、P50、P90 的 WQL（加权分位数损失） | 最适合不同项目具有相似需求趋势的数据集。对于具有不同项目特征和需求模式的数据集，效果较差。 | 否 | | Forecast 算法 | Prophet | 至少是预测范围的 4 倍 | Prophet 是一种基于加性模型的时间序列预测算法，其中非线性趋势与每年、每周和每日的季节性相吻合。 | 不适用 | [预言家的默认设置](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-prophet.html) | P10、P50、P90 的 WQL（加权分位数损失） | 最适合具有强烈季节效应和多个季节历史数据的时间序列。 | 是的，与过去和未来相关的时间序列 | | Forecast 算法 | 三重指数平滑 | 至少是预测范围的 4 倍 | 指数平滑 (ETS) 是一种用于时间序列预测的统计模型。 | 不适用 | 默认 ETS 参数 | P10、P50、P90 的 WQL（加权分位数损失） | 最适合具有季节性模式的数据集，计算权重呈指数递减的过去观测值的加权平均值。ETS 对项目少于 100 的时间序列最为有效。 | 否 | | Forecast 算法 | 自动复指数平滑 (AutoCES) | 至少是预测展望期的 2 倍 | Auto Complex Exponential Smoothing 是指数平滑的高级变体，可自动调整平滑参数，为具有错综复杂的季节结构的时间序列提供准确的预测。 | 不适用 | [默认 AutoCES 设置](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-model-zoo.html#autogluon.timeseries.models.AutoCESModel) | P10、P50、P90 的 WQL（加权分位数损失） | 最适合时间序列数据中的复杂季节性模式，包括多个季节性或不规则周期。 | 否 | | Forecast 算法 | ARIMA | 至少是预测范围的 4 倍 | ARIMA（自回归综合移动平均线）是一种用于时间序列预测的统计模型。它结合了自回归、移动平均和差分分量来对趋势进行建模。 | 不适用 | [ARIMA 默认参数](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-arima.html) | P10、P50、P90 的 WQL（加权分位数损失） | 最适合没有强烈季节性影响的数据集。 | 否 | | Forecast 算法 | 季节性 ARIMA | 至少是预测展望期的 2 倍 | SARIMA（季节性自动回归综合移动平均线）是ARIMA的扩展，包括季节性成分，它对非季节性和季节性趋势进行建模，确保对具有多个季节历史数据的数据集进行准确预测。 | 不适用 | 季节性 ARIMA 默认参数 | P10、P50、P90 的 WQL（加权分位数损失） | 最适合具有强烈季节性模式的时间序列。 | 否 | | Forecast 算法 | 西塔 | 至少是预测展望期的 2 倍 | Theta 模型是一种时间序列预测方法，它结合了指数平滑和分解方法来处理趋势、季节性和噪点。它使用线性趋势模型和非线性平滑分量来捕捉短期和长期模式，其表现通常优于传统方法。 | 不适用 | [Theta 方法的默认设置](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-model-zoo.html#autogluon.timeseries.models.ThetaModel) | P10、P50、P90 的 WQL（加权分位数损失） | 最适合间歇性需求预测。 | 否 | | Forecast 算法 | 聚合-分解间歇性需求法 (ADIDA) | 至少是预测展望期的 2 倍 | ADIDAaggregates 更高级别的数据可以捕捉更广泛的模式，然后将其分解以进行准确的预测，从而通过减少噪音来提高准确性。 | 不适用 | [阿迪达默认参数](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-model-zoo.html#autogluon.timeseries.models.ADIDAModel) | P10、P50、P90 的 WQL（加权分位数损失） | 最适合需求低或不规律、需求间歇性的产品。 | 否 | | Forecast 算法 | 克罗斯顿 | 至少是预测展望期的 2 倍 | Croston 方法专为间歇性需求预测而设计。它将需求分为两个部分，即非零需求的大小和它们之间的间隔。这些组成部分是独立预测和组合的。 | 不适用 | [Croston 的默认设置](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-model-zoo.html#autogluon.timeseries.models.CrostonModel) | P10、P50、P90 的 WQL（加权分位数损失） | 最适合间歇性需求预测。 | 否 | | Forecast 算法 | 间歇性多重聚合预测算法 (IMAPA) | 至少是预测展望期的 2 倍 | IMAPA是一种间歇性需求数据的预测方法，在这种数据中，需求是不规则的，有许多零值。它汇总了多个层面的数据以捕捉不同的需求模式，与Croston等方法相比，它为需求高度不规则的数据集提供了更可靠的预测。 | 不适用 | [IMAPA 默认参数](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-model-zoo.html#autogluon.timeseries.models.IMAPAModel) | P10、P50、P90 的 WQL（加权分位数损失） | 最适合提高间歇性需求模式的准确性（与指数平滑等传统方法相比）。 | 否 | | Forecast 算法 | 移动平均线 | 至少是预测展望期的 2 倍 | 移动平均线模型通过在固定窗口内对过去的数据点求平均值来进行预测。 | 不适用 | 移动平均线默认参数 | P10、P50、P90 的 WQL（加权分位数损失） | 最适合短期预测，尤其是在稀疏数据场景中。该方法在具有简单趋势的时间序列上表现良好，无需复杂建模即可提供快速、简单的预测。 | 否 | | Forecast 算法 | 非参数时间序列 (NPTS) | 至少是预测范围的 4 倍 | NPTS 是一种针对稀疏或间歇性时间序列数据的基线预测方法。它包括标准 NPTS 和季节性 NPTS 等变体。 | 不适用 | [NPTS 默认参数](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-npts.html) | P10、P50、P90 的 WQL（加权分位数损失） | 通过处理缺失的数据和季节性影响，最适合对不规则时间序列进行稳健的预测。对于不规则的需求数据，它具有可扩展性和有效性。 | 否 | 下表列出了 支持 需求计划预测模型中可用的指标。 | 指标 | 指标描述 | 指标公式 | 何时使用此指标进行优化 | Link | | --- | --- | --- | --- | --- | | MAPE | MAPE 测量一组预测中误差的平均幅度，以实际值的百分比表示。 | 不适用 | 它通常用于评估预测模型的准确性，尤其是在时间序列预测中，在预测误差评估中，所有时间序列都一视同仁。 | [https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.MAPE](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.MAPE) | | WAPE | WAPE 是 MAPE 的一种变体，它考虑了不同数据点的加权贡献。 | 不适用 | 当数据的重要性不同或某些观测值比其他观测值更重要时，它特别有用。 | [https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.WAPE](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.WAPE) | | RMSE | RMSE 测量预测值和实际值之间平均平方差的平方根。 | 不适用 | RMSE 对大误差很敏感，因为采用了平方运算，这使得较大的误差更具权重。在只有几个较大的错误预测可能代价高昂的用例中，RMSE 是更相关的指标。 | [https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.RMSE](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.RMSE) | | WCD | WCD 是累积预测误差的衡量标准，由一组预先确定的权重进行加权。 | 不适用 | 该指标通常用于某些时间段、产品或数据点比其他时间段、产品或数据点更重要的应用程序，从而允许在错误分析中确定优先级。 | 不适用 | | wQL | wQL 是一个损失函数，它基于分位数评估模型的性能，并使用来自不同数据点的加权贡献。 | 不适用 | 它可用于评估不同分位数（例如，第 90 个百分位数、第 50 个百分位数）或观测值的重要性不同的场景中的模型性能。当预测过低和预测过高的成本不同时，它特别有用。 | [https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.WQL](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.WQL) | | MASE | MASE（平均绝对比例误差）是一种性能指标，用于评估时间序列预测模型的准确性。它将预测值的平均绝对误差 (MAE) 与天真预测的平均绝对误差进行比较。 | 不适用 | MASE 非常适合具有周期性或具有季节性特性的数据集。例如，对夏季需求量大、冬季需求量小的项目进行预测，可以从考虑季节性影响中获益。 | [https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.MASE](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.MASE) |