# 第 3 步：创建预测器 可以通过两种方式创建预测器：运行 [AutoML](https://docs.aws.amazon.com/forecast/latest/dg/automl.html) 或者手动选择六种内置 Amazon Forecast 算法之一。如果运行 AutoML，则在撰写本文档时，Amazon Forecast 会自动测试六种内置算法，并选择在第 10、第 50（中位数）和第 90 个分位数上平均分位数损失最低的算法。 Amazon Forecast 提供四种局部模型： + 自回归积分滑动平均模型（[ARIMA](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-arima.html)） + 指数平滑法（[ETS](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-ets.html)） + 非参数时间序列（[NPTS](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-npts.html)） + [Prophet](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-prophet.html) 局部模型是预测方法，将单个模型拟合到每个单独的时间序列（或特定的项目/维度组合），然后使用这些模型来推断未来的时间序列。 ARIMA 和 ETS 是 R 预测包中流行的局部模型的可扩展版本。NPTS 是 Amazon 开发的一种局部方法，与其他局部模型相比有着关键的区别。与简单的季节性预测器（通过重复最后一个值或相应季节性的值来提供点预测）不同，NPTS 生成概率预测。NPTS 使用固定时间索引，其中前一个索引（T - 1）或前一个季节（T - tau）是对时间步 T 的预测。该算法对集合 {0, ..., T - 1} 中的时间索引（t）随机抽样，生成当前时间步 T 的样本。NPTS 对包含许多零的间歇性（有时也称为稀疏）时间序列特别有效。Forecast 还包括贝叶斯结构时间序列模型 Prophet 的 Python 实施。 Amazon Forecast 提供两种全局深度学习算法： + [DeepAR\+](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) + [CNN-QR](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-algo-cnnqr.html) 全局模型在数据集中的整个时间序列集合上训练单个模型。当一组横截面单位上存在相似的时间序列时，这尤其有用。例如，对不同产品的需求、服务器负载和网页请求的时间序列分组。 通常，随着时间序列数量的增加，CNN-QR 和 DeepAR\+ 的功效会提高。对于局部模型来说，情况并非总是如此。深度学习模型还可用于在几乎没有历史销售数据的情况下生成对新 SKU 的预测。这被称为[“冷启动”预测](https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks/advanced/Forecast%20with%20Cold%20Start%20Items)。 ![对比 Amazon Forecast 中可用算法的表](http://docs.aws.amazon.com/zh_cn/whitepapers/latest/time-series-forecasting-principles-with-amazon-forecast/images/amazon-forecast-algorithm-comparison.png) 有关相关时间序列的更多信息，请参阅[相关时间序列](https://docs.aws.amazon.com/forecast/latest/dg/related-time-series-datasets.html)。