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。

# 預測貨運需求的架構
<a name="architecture"></a>

下圖顯示解決方案的工作流程，包括資料擷取、資料準備、模型建置，以及最終輸出和監控。



![ML 模型的架構圖，用於預測貨運需求](http://docs.aws.amazon.com/zh_tw/prescriptive-guidance/latest/forecast-demand-freight-capacity/images/demand-forecast-model-architecture.png)


解決方案架構包含下列主要元件：

1. **資料擷取** –** **您可以將有機資料和外部資料存放在 [Amazon Simple Storage Service (Amazon S3)](https://docs.aws.amazon.com/AmazonS3/latest/userguide/Welcome.html) 中。

1. **資料準備** – [Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/whatis.html) 會清除資料並準備 ML 模型訓練。 如需詳細資訊，請參閱 SageMaker AI 文件中的[準備資料](https://docs.aws.amazon.com/sagemaker/latest/dg/data-prep.html)。

1. **模型建置：輸入功能預測** – SageMaker AI 使用 [https://facebook.github.io/prophet/](https://facebook.github.io/prophet/)為每個輸入功能產生時間序列預測。您可以檢查預測結果。如有需要，您可以提供使用者輸入來覆寫功能的預測。

1. **模型建置：目標變數預測** – SageMaker AI 使用修改的輸入功能建立推論的迴歸模型。 

1. **模型輸出和監控** – 迴歸模型會將預測結果輸出至 Amazon S3。您可以在 [Amazon Quick](https://docs.aws.amazon.com/quicksight/latest/user/welcome.html) 中視覺化預測。分析人員可以透過比較預測與實際需求量，來監控預測結果並評估準確性。

從資料擷取到最終模型輸出的整個處理管道都可以協調以自動執行。例如，您可以將其設定為每月自動執行每月需求預測。如果您需要多個產品的預測，您可以平行執行多個產品的管道。如需詳細資訊，請參閱 SageMaker AI 文件中的[實作 MLOps](https://docs.aws.amazon.com/sagemaker/latest/dg/mlops.html)。