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。

用於預測運費需求的資料

高品質的資料對於任何機器學習模型進行有意義的預測和預測都至關重要。對於需求預測，資料集包含任何可能影響最終需求的相關資料。這些數據可以來自各種來源。您可以將此資料分類為內部和外部資料兩類。

內部數據

內部資料是業務產生的有機資料。這些資料通常會儲存在資料倉儲中，例如 Amazon Redshift。

您可以從包含感興趣產品的歷史磁碟區的資料倉儲中，直接從資料倉儲中產生或擷取目標輸出值。對於航運公司而言，輸出或目標值可以是以海運的完整集裝箱負載為單位，也可以是空運貨物的總重量。

您也可以產生各種歷史業務指標。預測需求時，這些功能可用作機器學習模型中的功能。範例功能包括歷史價格、成本、產能和庫存。

外部資料

外部數據源可用作附加功能，以提高預測準確性。外部數據源的例子包括天氣數據，宏觀經濟數據，行業數據和市場數據。這些因素可能對物流和運輸業產生直接或間接的影響，因此影響了需求。例如，市場運費率提供了全球貨運市場的基準，最終會影響公司的特定需求。宏觀經濟數據（例如主要經濟體的進出口數據）亦可用作衡量市場活動的指標。若要合併這些外部資料來源，您可以使用各種 API 來擷取資料。例如，St. Louis Fed提供了訪問宏觀經濟數據，並National Oceanic and Atmospheric Administration (NOAA)提供了訪問全球天氣數據。Federal Reserve Economic Data (FRED) APIClimate Data Online (CDO) API