本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。 # 預測演算法 AWS Supply Chain 需求規劃提供 25 種內建預測模型的組合，可為客戶資料集中具有不同需求模式的產品建立基準需求預測。25 個預測模型的清單包含 11 個預測收集器 （每個收集器都是唯一的，根據構成收集器和/或收集器最佳化指標的一組模型），以及 14 個個別預測演算法，包括統計演算法，例如自動迴歸整合和移動平均 (ARIMA) 到複雜的神經網路演算法，例如 CNN-QR、暫時融合轉換器和 DeepAR\$1。客戶可根據其使用案例和獨特需求，選擇使用預測集成器或個別預測演算法。雖然預測集成器提供的優勢是客戶不必手動處理繁瑣的任務，例如模型選擇、超參數調校，而且只需選擇最適合集成器將 最佳化之客戶使用案例的預測錯誤指標，但個別預測演算法可為使用單一模型進行最佳預測而非整體的客戶使用案例提供靈活性。 下表列出 AWS Supply Chain 需求規劃提供的 25 個內建預測模型，以及它們最適合的項目。 | Type | 預測 Ensembler/Algorithm | 需求歷史記錄需求 | Ensemble 中的 Model(s) | 自動化超參數調校 （是/否） | 預設參數 | 指標最佳化 | 模型最適合的案例 (s) | 支援相關時間作為預測輸入 - 是/否？ | | --- | --- | --- | --- | --- | --- | --- | --- | --- | | Forecast Model(s) Ensembler | AutoGluon 最佳品質 (MAPE) | 預測期間至少 2 倍 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 模型程式庫中基準、統計 、ML/深度學習模型的組合。 | 是 | AutoGluon best\$1quality 預設集 | MAPE （平均絕對百分比錯誤） | 自動化 Ensemble，無需手動指派/選取模型。 | 是，過去和未來的相關時間序列 | | Forecast Model(s) Ensembler | AutoGluon 最佳品質 (WAPE) | 預測期間至少 2 倍 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 模型程式庫中基準、統計 、ML/深度學習模型的組合。 | 是 | AutoGluon best\$1quality 預設集 | WAPE （加權絕對百分比錯誤） | 自動化 Ensemble，無需手動指派/選取模型。 | 是，過去和未來的相關時間序列 | | Forecast Model(s) Ensembler | AutoGluon 最佳品質 (MASE) | 預測期間至少 2 倍 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 模型程式庫中基準、統計 、ML/深度學習模型的組合。 | 是 | AutoGluon best\$1quality 預設集 | MASE （平均絕對擴展錯誤） | 自動化 Ensemble，無需手動指派/選取模型。 | 是，過去和未來的相關時間序列 | | Forecast Model(s) Ensembler | AutoGluon 最佳品質 (RMSE) | 預測期間至少 2 倍 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 模型程式庫中基準、統計 、ML/深度學習模型的組合。 | 是 | AutoGluon best\$1quality 預設集 | RMSE （根均方誤差） | 自動化 Ensemble，無需手動指派/選取模型。 | 是，過去和未來的相關時間序列 | | Forecast Model(s) Ensembler | AutoGluon 最佳品質 (WCD) | 預測期間至少 2 倍 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 模型程式庫中基準、統計 、ML/深度學習模型的組合。 | 是 | AutoGluon best\$1quality 預設集 | WCD （加權累積偏差） | 自動化 Ensemble，無需手動指派/選取模型。 | 是，過去和未來的相關時間序列 | | Forecast Model(s) Ensembler | AutoGluon StatEnsemble (MAPE) | 預測期間至少 2 倍 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 模型程式庫 eto 中的所有統計模型集合 （僅限） 會產生預測。 | 是 | AutoGluon 所有支援的統計資料模型 | MAPE （平均絕對百分比錯誤） | 自動化 Ensemble，無需手動指派/選取模型。 | 否 | | Forecast Model(s) Ensembler | AutoGluon StatEnsemble (WAPE) | 預測期間至少 2 倍 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 模型程式庫 eto 中的所有統計模型集合 （僅限 ) 會產生預測。 | 是 | AutoGluon 所有支援的統計資料模型 | WAPE （加權絕對百分比錯誤） | 自動化 Ensemble，無需手動指派/選取模型。 | 否 | | Forecast Model(s) Ensembler | AutoGluon StatEnsemble (MASE) | 預測期間至少 2 倍 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 模型程式庫 eto 中所有統計模型的組合 （僅限） 會產生預測。 | 是 | AutoGluon 所有支援的統計資料模型 | MASE （平均絕對擴展錯誤） | 自動化 Ensemble，無需手動指派/選取模型。 | 否 | | Forecast Model(s) Ensembler | AutoGluon StatEnsemble (RMSE) | 預測期間至少 2 倍 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 模型程式庫 eto 中所有統計模型的組合 （僅限） 會產生預測。 | 是 | AutoGluon 所有支援的統計資料模型 | RMSE （根均方誤差） | 自動化 Ensemble，無需手動指派/選取模型。 | 否 | | Forecast Model(s) Ensembler | AutoGluon StatEnsemble (WCD) | 預測期間至少 2 倍 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 模型程式庫 eto 中的所有統計模型集合 （僅限 ) 會產生預測。 | 是 | AutoGluon 所有支援的統計資料模型 | WCD （加權累積偏差 | 自動化 Ensemble，無需手動指派/選取模型。 | 否 | | Forecast Model(s) Ensembler | Supply Chain AutoML | 預測期間至少 2 倍 | 在 [Amazon Forecast AutoML](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-choosing-recipes.html) 中整合所有 。 | 不適用 | AutoML 預設設定 | P10, P50, P90 的 WQL （加權分位數損失） | 自動化 Ensemble，無需手動指派/選取模型。 | 取決於 Ensembler 選取的模型。 | | 預測演算法 | CNN-QR | 預測期間至少 4 倍 | CNN-QR （卷積神經網路 - 分位數迴歸） 是一種機器學習演算法，用於使用因果卷積神經網路 (CNNs) 進行時間序列預測。 | 不適用 | [以 CNN 為基礎的參數](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-algo-cnnqr.html) | P10, P50, P90 的 WQL （加權分位數損失） | 最適合包含數百個時間序列的大型資料集。 | 是，過去和未來的相關時間序列 | | 預測演算法 | DeepAR\$1 | 預測期間至少 4 倍 | DeepAR\$1 是一種機器學習演算法，用於使用遞歸神經網路 (RNNs進行時間序列預測。 | 不適用 | [DeepAR 預設設定](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) | P10, P50, P90 的 WQL （加權分位數損失） | 最適合包含數百個時間序列的大型資料集。 | 是，過去和未來的相關時間序列 | | 預測演算法 | LightGBM | 預測期間至少 2 倍 | Light Gradient-Boosting Machine (LGBM) 是一種表格式機器學習模型，使用過去幾季的歷史需求資料。 | 不適用 | LightGBM 預設參數 | P10, P50, P90 的 WQL （加權分位數損失） | 最適合不同項目共享類似需求趨勢的資料集。對於具有不同項目特性和需求模式的資料集效率較低。 | 否 | | 預測演算法 | Prophet | 預測期間至少 4 倍 | Prophet 是一種時間序列預測演算法，以附加模型為基礎，其中非線性趨勢符合每年、每週和每日季節性。 | 不適用 | [預設 Prophet 設定](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-prophet.html) | P10, P50, P90 的 WQL （加權分位數損失） | 最適合具有強烈季節性效果和數個季節歷史資料的時間序列。 | 是，過去和未來的相關時間序列 | | 預測演算法 | 三重指數平滑 | 預測期間至少 4 倍 | 指數平滑法 (ETS) 是一種用於時間序列預測的統計模型。 | 不適用 | 預設 ETS 參數 | P10, P50, P90 的 WQL （加權分位數損失） | 最適合具有季節性模式的資料集，計算過去觀察的加權平均值，並呈指數減少權重。ETS 對於少於 100 個項目的時間序列最有效。 | 否 | | 預測演算法 | Auto Complex 指數平滑處理 (AutoCES) | 預測期間至少 2 倍 | Auto Complex 指數平滑是指數平滑的進階變體，可自動調整平滑參數，為具有複雜季節性結構的時間序列提供準確的預測。 | 不適用 | [預設 AutoCES 設定](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-model-zoo.html#autogluon.timeseries.models.AutoCESModel) | P10, P50, P90 的 WQL （加權分位數損失） | 最適合用於時間序列資料中的複雜季節性模式，包括多個季節性或不規則週期。 | 否 | | 預測演算法 | ARIMA | 預測期間至少 4 倍 | ARIMA （自動迴歸整合式移動平均） 是一種用於時間序列預測的統計模型。它結合了自動迴歸、移動平均值和差異元件，以建立趨勢模型。 | 不適用 | [ARIMA 預設參數](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-arima.html) | P10, P50, P90 的 WQL （加權分位數損失） | 最適合沒有強烈季節性效果的資料集。 | 否 | | 預測演算法 | 季節性 ARIMA | 預測期間至少 2 倍 | SARIMA （季節性自動迴歸整合移動平均） 是 ARIMA 的延伸，其中包含季節性元件，可建立非季節性和季節性趨勢的模型，確保具有多個季節歷史資料的資料集的準確預測。 | 不適用 | 季節性 ARIMA 預設參數 | P10, P50, P90 的 WQL （加權分位數損失） | 最適合具有強烈季節性模式的時間序列。 | 否 | | 預測演算法 | Theta | 預測期間至少 2 倍 | Theta 模型是一種時間序列預測方法，結合了指數平滑和分解方法來處理趨勢、季節性和雜訊。它使用線性趨勢模型和非線性平滑元件來擷取短期和長期模式，通常優於傳統方法。 | 不適用 | [Theta 方法預設設定](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-model-zoo.html#autogluon.timeseries.models.ThetaModel) | P10, P50, P90 的 WQL （加權分位數損失） | 最適合間歇性需求預測。 | 否 | | 預測演算法 | Aggregate-Disaggregate 間歇需求方法 (ADIDA) | 預測期間至少 2 倍 | ADIDAaggregates更高層級的資料以擷取更廣泛的模式，然後將其分解以準確預測，進而透過減少雜訊來提高準確性。 | 不適用 | [ADIDA 預設參數](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-model-zoo.html#autogluon.timeseries.models.ADIDAModel) | P10, P50, P90 的 WQL （加權分位數損失） | 最適合低需求或不規則需求、間歇需求的產品。 | 否 | | 預測演算法 | 克羅斯敦 | 預測期間至少 2 倍 | Croston 方法專為間歇性需求預測而設計。它會將非零需求的大小及其之間的間隔分成兩個元件。這些元件是獨立預測和合併的。 | 不適用 | [Croston 預設設定](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-model-zoo.html#autogluon.timeseries.models.CrostonModel) | P10, P50, P90 的 WQL （加權分位數損失） | 最適合間歇性需求預測。 | 否 | | 預測演算法 | 間歇性多彙總預測演算法 (IMAPA) | 預測期間至少 2 倍 | IMAPA 是間歇性需求資料的預測方法，其中需求不規律，許多零值。它會在多個層級彙總資料，以擷取不同的需求模式，相較於 Croston 等方法，為具有高度不規則需求的資料集提供更強大的預測。 | 不適用 | [IMAPA 預設參數](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-model-zoo.html#autogluon.timeseries.models.IMAPAModel) | P10, P50, P90 的 WQL （加權分位數損失） | 最適合提高間歇性需求模式的準確性 （與指數平滑等傳統方法相比）。 | 否 | | 預測演算法 | 移動平均值 | 預測期間至少 2 倍 | 移動平均模型透過在固定時段內平均過去的資料點來預測。 | 不適用 | 移動平均預設參數 | P10, P50, P90 的 WQL （加權分位數損失） | 最適合短期預測，特別是在稀疏資料案例中。此方法以簡單的趨勢在時間序列上表現良好，提供快速、簡單的預測，而不需要複雜的建模。 | 否 | | 預測演算法 | 非參數時間序列 (NPTS) | 預測期間至少 4 倍 | NPTS 是稀疏或間歇性時間序列資料的基準預測方法。它包含標準 NPTS 和季節性 NPTS 等變體。 | 不適用 | [NPTS 預設參數](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-npts.html) | P10, P50, P90 的 WQL （加權分位數損失） | 透過處理遺失的資料和季節性效果，最適合用於不規則時間序列的強健預測。它對不規則的需求資料具有可擴展性和有效性。 | 否 | 下表列出 支援 需求規劃預測模型中可用的指標。 | 指標 | 指標描述 | 指標公式 | 何時使用此指標來最佳化 | 連結 | | --- | --- | --- | --- | --- | | MAPE | MAPE 會測量一組預測中錯誤的平均大小，以實際值的百分比表示。 | 不適用 | 它通常用於評估預測模型的準確性，特別是在時間序列預測中，其中所有時間序列都視為相等以進行預測錯誤評估。 | [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 的一種變化，會考慮不同資料點的加權貢獻。 | 不適用 | 當資料具有不同的重要性，或某些觀察比其他觀察更重要時，此功能特別有用。 | [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 會測量預測值和實際值之間平均平方差異的平方根。 | 不適用 | RMSE 對大型錯誤很敏感，因為 squaring 操作會對較大的 errors.In 使用案例提供更多權重，其中只有幾個大型錯誤預測可能非常昂貴，RMSE 是更相關的指標。 | [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 是累積預測誤差的指標，以一組預定權重加權。 | 不適用 | 此指標通常用於某些時段、產品或資料點比其他時段更重要的應用程式，允許在錯誤分析中排定優先順序。 | 不適用 | | wQL | wQL 是一種損失函數，可根據分位數評估模型的效能，並從不同的資料點進行加權貢獻。 | 不適用 | 在不同的分位數 （例如，第 90 個百分位數、第 50 個百分位數） 或觀察值不同的情況下，評估模型效能非常有用。當預測不足和過度預測的成本不同時，此功能特別有用。 | [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 （平均絕對縮放錯誤） 是一種效能指標，用於評估時間序列預測模型的準確性。它會比較預測值的平均絕對誤差 (MAE) 與未分析預測的平均絕對誤差。 | 不適用 | MASE 非常適合具有循環性質或季節性屬性的資料集。例如，預測在夏天高需求和在冬天低需求的項目，可以受益於考慮季節性影響。 | [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) |