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。

# 预测货运需求的架构
<a name="architecture"></a>

下图显示了解决方案的工作流程，包括数据摄取、数据准备、模型构建以及最终输出和监控。



![用于预测货运需求的机器学习模型的架构图](http://docs.aws.amazon.com/zh_cn/prescriptive-guidance/latest/forecast-demand-freight-capacity/images/demand-forecast-model-architecture.png)


该解决方案架构包括以下主要组件：

1. **数据摄取** —**** 您将自然数据和外部数据存储在亚马逊[简单存储服务 (Amazon S3) Service 中。](https://docs.aws.amazon.com/AmazonS3/latest/userguide/Welcome.html)

1. **数据准备** — [Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/whatis.html) 会清理数据并为机器学习模型训练做好准备。 有关更多信息，请参阅 SageMaker AI 文档中的[准备数据](https://docs.aws.amazon.com/sagemaker/latest/dg/data-prep.html)。

1. **模型构建：输入要素预测** — SageMaker AI 用于[https://facebook.github.io/prophet/](https://facebook.github.io/prophet/)为每个输入要素生成时间序列预测。您可以检查预测结果。如果需要，您可以提供用户输入以覆盖该功能的预测。

1. **模型构建：目标变量预测** — SageMaker AI 使用修改后的输入特征创建用于推理的回归模型。 

1. **模型输出和监控**-回归模型将预测结果输出到 Amazon S3。您可以在 [Amazon Quick](https://docs.aws.amazon.com/quicksight/latest/user/welcome.html) 中对预测进行可视化。分析师可以通过将预测与实际需求量进行比较来监控预测结果并评估准确性。

从数据摄取到最终模型输出的整个处理管道可以编排为自动运行。例如，您可以将其设置为每月自动运行以进行每月需求预测。如果您需要对多个产品进行预测，则可以并行运行多个产品的渠道。有关更多信息，请参阅 SageMaker AI 文档 MLOps中的[实现](https://docs.aws.amazon.com/sagemaker/latest/dg/mlops.html)。