View a markdown version of this page

附錄 A：常見問答集 - Amazon Forecast 的時間序列預測原則

附錄 A：常見問答集

問：如何開始使用 Amazon Forecast？

  1. 首先，您需要一個 AWS 帳戶。

  2. 接著，在 AWS Management Console 中開啟 Forecast 服務，建立資料集群組，然後將 .csv 檔案匯入至目標時間序列資料集 (必要)。入門所需的最低資料是您要預測之數量的歷史資料，例如，每個家庭每個時間戳記的用電量。

  3. 最後，藉由執行 CreatePredictor 建立一個模型，並執行 CreateForecast 以產生結果。如需詳細資訊，請參閱入門文件頁面。

另請參閱 GitHub 簡介和最佳實務指南。

問：Amazon Forecast 適合我嗎？

並非所有機器學習問題都是預測問題。首先應該自問：「我的業務問題是否在陳述中包含時間序列？」 例如，您是否只需要未來特定時間和日期的特定值？ 預測不適用於一般、靜態 (特定日期/時間無關緊要) 的問題，例如詐騙偵測或向使用者推薦電影片名。靜態問題有比這快得多的解決方案。

除了有時間序列資料以外，資料本身還應該是「密集」的，且具有較長的歷史。下表總結了這一點：

表 2 — 條件和 Amazon Forecast 演算法類別

條件 Amazon Forecast 演算法類別
含有多達 500 萬個時間序列的大型資料集，具有類似的基礎模式 + 季節性效果 + 相關資料。每個時間序列均應有很長的歷史 (理想情況下，如果嘗試擷取年度事件，則應超過兩年)，且每個時間序列應有超過 300 個資料點 (理想情況下至少要有 1K)。 Amazon Forecast 專屬的深度學習 DeepAR+、CNN-QR
含有 1-100 個時間序列的小型資料集，其中大多數的時間序列具有超過 300 個資料點 + 季節性效果 + 相關資料。 Prophet
含有 1-10 個時間序列的小型資料集，其中大多數的時間序列具有超過 300 個資料點 + 季節性效果。 ETS、ARIMA
含有 1-10 個時間序列的間歇 (包含許多 0 的稀疏) 資料集，其中大多數時間序列具有超過 300 個資料點。 Amazon Forecast 專屬的 NPTS
含有 1-10 個時間序列的小型資料集 (一般或稀疏)，其中大多數的時間序列具有超過 300 個資料點。 資料對 Amazon Forecast 而言太小。請改為在 Excel 或傳統的統計模型 ARIMA 和 Prophet 中嘗試使用 ETS。

最佳實務是在第一次訓練資料時，在您的預測器中使用 AutoML 模式進行訓練。AutoML 會自動執行所有演算法 (DL 演算法會在開啟 HPO 的情況下執行)，以了解何種演算法最適合您的資料。

問：如何認定資料遺漏？ 在何種程度下將無法產生合理的預測？

這有可能是指資料的記錄出現問題，或資料的彙總層級過低或過高。通則是 Forecast 長度不可超過訓練資料的 1/3。

除了遺漏資料的數量外，另一項考量因素是遺漏資料的原因。您可以將所有 0 轉換為空值，讓 Amazon Forecast 代為執行自動推算遺漏值的繁重工作。Amazon Forecast 會自動偵測遺漏值是因為新產品的導入 (冷啟動) 還是生命週期結束的產品所導致的。您可以使用數個遺漏值邏輯，包括值、中位數、最小值、最大值、零、平均值和 NaN (僅限目標時間序列)。請參閱空值填入語法的文件。

  • "frontfill" - (僅限 TTS) 是指新的或冷啟動的品項，以及在品項開始有任何歷史記錄之前要如何處理空值

  • "middlefill" — 是指時間序列值中間的空值

  • "backfill" — 是指生命週期結束的品項，以及在品項停止銷售後要如何處理空值

  • "futurefill" — (僅限 RTS) 是指在訓練資料結束後發生的空值

問：我的輸入歷史資料沒有負值，但我在需求預測中看到負值。 為什麼會這樣？ 如何避免這種情況？

對於 NPTS (以非負資料進行訓練) 和 DeepAR (使用負二項式相似度函數) 以外的所有模型，不保證會產生正數。解決方案是變更為前述模型之一，或將預測值截斷為非負值。

問：分位數的準確性指標為何有所不同？ 既然模型相同，誤差不也應相同嗎？

有關加權如何依存於分位數的更多說明，請參閱加權分位數損失 (wQL)。

假設你對以下三個不同的分位數進行預測：p10、p50、p90。這三個預測本身就是隨機變數。準確性是在每個分位數層級的實際值與預測之間個別計算的。您可能會看到如下的 “wQL” (加權分位數損失) 表格。wQL 值彼此之間沒有確定性關係。(記住，損失就是誤差，所以是無序的；然而，分位數預測是有序的)。因此，舉例來說，p90 wQL 不一定會大於 p50 wQL。 

表 3 — 預測分位數範例

A B C
1 P10 wQL P50 wQL P90 wQL
2 0.18647 0.50879 0.30428

問：如何改善預測準確性？

預測準確性取決於是否有適當數量和質量的適當資料可供使用。如果準確性不如預期，了解問題有多少可預測性 (或資料的隨機/雜訊/靜止程度) 可能會有幫助。其他需要考量的因素包括評估不同的模型、超參數設定，以及使用相關的時間序列和項目中繼資料資料集來併入其他特徵。如需具體建議，請參閱 GitHub 上的這份最佳實務文件。

問：有個演算法非常適合運用在我的使用案例，但 Amazon Forecast 中並未提供。我該怎麼做？

Amazon Forecast 團隊將很樂意為您提供此使用案例的協助。請將電子郵件寄到 ，與 Amazon Forecast 的服務團隊聯繫。