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。

# 预测已部署的 Autopilot 模型
<a name="timeseries-forecasting-deploy-models"></a>

使用 AutoML API 训练模型后，您可以将其部署到实时或批量预测中。

AutoML API 可针对时间序列数据训练多个候选模型，并根据目标指标选择最佳预测模型。模型候选人经过训练后，可以在响应 [DescribeAutoMLJobV2中找到最佳候选对象，网址](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeAutoMLJobV2.html)为[BestCandidate](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AutoMLCandidate.html#sagemaker-Type-AutoMLCandidate-CandidateName)。

要使用此性能最佳的模型进行预测，可以设置一个端点来交互式地获取预测结果，或者使用批量预测来对一批观测数据进行预测。

**注意事项**
+ 在提供用于预测的输入数据时，数据的架构应与用于训练模型的架构相同，这包括列数、列标题和数据类型。您可以预测相同或不同时间戳范围 IDs 内的现有或新物料，以预测不同的时间段。
+ 预测模型针对训练时在输入请求中指定的未来预测范围点进行预测，该范围从*目标结束日期*开始，到*目标结束日期 \+ 预测范围*结束。要使用模型来预测特定日期，您应提供与原始输入数据格式相同的数据，并延伸到指定的*目标结束日期*。在这种情况下，模型将从新的目标结束日期开始预测。

  例如，如果您的数据集包含从 1 月到 6 月的每月数据，而预测范围为 2，则模型将预测未来 2 个月（即 7 月和 8 月）的目标值。如果在 8 月，您想预测未来 2 个月，那么此时您的输入数据应该是从 1 月到 8 月，模型将预测未来 2 个月（9 月、10 月）。
+ 在预测未来数据点时，并没有设定提供历史数据的最低量。在时间序列中包含足够的数据，以捕捉季节性和重复性规律。

**Topics**
+ [实时预测](timeseries-forecasting-realtime.md)
+ [批量预测](timeseries-forecasting-batch.md)