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。
在 Amazon SageMaker AI Studio Lab 中將 DeepAR 用於時間序列，以建置冷啟動預測模型
由 Ivan Cui (AWS) 和 Eyal Shacham (AWS) 建立
Summary
無論您是更有效率地為 Web 流量配置資源、預測患者對人員需求的需求，還是預測公司產品的銷售，預測都是必要的工具。冷啟動預測會針對歷史資料很少的時間序列建置預測，例如剛進入零售市場的新產品。此模式使用 Amazon SageMaker AI DeepAR 預測演算法來訓練冷啟動預測模型，並示範如何對冷啟動項目執行預測。
DeepAR 是一種監督式學習演算法，可使用遞歸神經網路 (RNN) 預測純量 （一維） 時間序列。DeepAR 會針對相關產品的所有時間序列，採取聯合訓練單一模型的方法。
傳統的時間序列預測方法，例如自動迴歸整合移動平均值 (ARIMA) 或指數平滑 (ETS)，很大程度上依賴每個個別產品的歷史時間序列。因此，這些方法對冷啟動預測無效。當您的資料集包含數百個相關時間序列時，DeepAR 的執行效能會優於標準 ARIMA 和 ETS 方法。您也可以使用已訓練的模型，針對與已訓練時間序列類似的新時間序列產生預測。
先決條件和限制
先決條件
作用中 AWS 帳戶。
Amazon SageMaker AI 網域。
Amazon SageMaker AI Studio Lab 或 Jupiter 實驗室應用程式。
具有讀取和寫入許可的 Amazon Simple Storage Service (Amazon S3) 儲存貯體。
Python 程式設計的知識。
使用 Jupyter 筆記本的知識。
限制
叫用預測模型而沒有任何歷史資料點，將會傳回錯誤。使用最少的歷史資料點調用模型將傳回不準確的預測，並具有高可信度。此模式建議解決冷啟動預測這些已知限制的方法。
有些 AWS 服務 不適用於所有 AWS 區域。如需區域可用性，請參閱依區域的 AWS 服務
。如需特定端點，請參閱服務端點和配額，然後選擇服務的連結。
產品版本
Python 3.10 版或更新版本。
模式的筆記本已在 Amazon SageMaker AI Studio 中使用 Python 3 （資料科學） 核心在 ml.t3.medium 執行個體上進行測試。
架構
下圖顯示此模式的工作流程和架構元件。
工作流程會執行下列任務：
訓練和測試資料的輸入檔案會合成，然後上傳至 Amazon S3 儲存貯體。此資料包含具有分類和動態功能的多個時間序列，以及目標值 （要預測）。Jupyter 筆記本可視覺化資料，以進一步了解訓練資料的需求和預期的預測值。
建立超參數調校器任務是為了訓練模型，並根據預先定義的指標尋找最佳模型。
輸入檔案會從 Amazon S3 儲存貯體下載到超參數調校任務的每個執行個體。
在調校器任務根據調校器的預先定義閾值選取最佳模型後，模型會部署為 SageMaker AI 端點。
然後，部署的模型已準備好被叫用，其中它的預測會根據測試資料進行驗證。
筆記本示範當有足夠數量的歷史資料點可用時，模型預測目標值的能力。不過，當我們調用具有較少歷史資料點的模型時 （代表冷產品），即使模型的可信度範圍內，模型的預測也不符合原始測試資料。在 模式中，新模型是針對冷產品所建置，其中其初始內容長度 （預測點） 定義為可用歷史點的數量，而新模型會在取得新資料點時進行反覆訓練。筆記本顯示，只要歷史資料點的數量接近其內容長度，模型就會有準確的預測。
工具
AWS 服務
AWS Identity and Access Management (IAM) 透過控制已驗證並獲授權使用的人員，協助您安全地管理對 AWS 資源的存取。
Amazon SageMaker AI 是一種受管機器學習 (ML) 服務，可協助您建置和訓練 ML 模型，然後將模型部署到生產就緒的託管環境中。
Amazon SageMaker AI Studio 是適用於 ML 的 Web 型整合式開發環境 (IDE)，可讓您建置、訓練、偵錯、部署和監控 ML 模型。
Amazon Simple Storage Service (Amazon S3) 是一種雲端型物件儲存服務，可協助您儲存、保護和擷取任何數量的資料。
其他工具
Python
是一種一般用途的電腦程式設計語言。
程式碼儲存庫
此模式的程式碼可在 GitHub DeepAR-ColdProduct-Pattern
最佳實務
在虛擬環境中訓練您的模型，並一律使用版本控制進行最高的重現性工作。
包含盡可能多的高品質分類功能，以獲得最高的預測模型。
請確定中繼資料包含類似的分類項目，以便模型充分推斷冷啟動產品預測。
執行超參數調校任務以取得最高的預測模型。
在此模式中，您建置的模型內容長度為 24 小時，這表示它會預測接下來的 24 小時。如果您嘗試在歷史資料少於 24 小時時預測接下來的 24 小時，模型的預測準確性會根據歷史資料點數量線性下降。若要緩解此問題，請為每個歷史資料點組建立新的模型，直到此數字達到所需的預測 （內容） 長度。例如，從內容長度模型 2 小時開始，然後逐步將模型增加到 4 小時、8 小時、16 小時和 24 小時。
史詩
| 任務 | 描述 | 所需的技能 |
|---|---|---|
啟動您的筆記本環境。 |
如需詳細資訊，請參閱 SageMaker AI 文件中的啟動 Amazon SageMaker AI Studio。 SageMaker | 資料科學家 |
| 任務 | 描述 | 所需的技能 |
|---|---|---|
設定虛擬環境以進行模型訓練。 | 若要設定虛擬環境以進行模型訓練，請執行下列動作：
如需詳細資訊，請參閱 SageMaker AI 文件中的將檔案上傳至 SageMaker AI Studio Classic。 SageMaker | 資料科學家 |
建立和驗證預測模型。 |
| 資料科學家 |
相關資源
