# 步驟 3：建立預測器 有兩種方式可以建立預測器：執行 [AutoML](https://docs.aws.amazon.com/forecast/latest/dg/automl.html)，或手動從六種內建 Amazon Forecast 演算法中擇一使用。截至撰寫本文件為止，在執行 AutoML 時，Amazon Forecast 會自動測試這六種內建演算法，並選擇第 10 個、第 50 個 (中位數) 和第 90 個分位數的平均分位數損失最低的演算法。 Amazon Forecast 提供四種本機模型： + 整合移動平均自回歸模型 ([ARIMA](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-arima.html)) + 指數平滑法 ([ETS](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-ets.html)) + 非參數時間序列 ([NPTS](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-npts.html)) + [Prophet](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-prophet.html) 本機模型是一種預測方法，會對每個個別的時間序列 (或特定品項/維度組合) 採用單一模型，然後使用該模型來推算未來的時間序列。 ARIMA 和 ETS 是 R 預測套件中常用本機模型的可擴展版本。NPTS 是 Amazon 開發的一種本機方法，與其他本機模型有顯著的差異。與藉由重複最後一個值或適當季節性的值來提供點預測的簡單季節性預測器不同，NPTS 會產生機率預測。NPTS 使用固定時間指數，其中，上一個指數 (T - 1) 或上一季 (T - tau) 是時階 T 的預測。演算法會在集合 {0, ..., T - 1} 中隨機取樣時間指數 (t)，以產生目前時階 T 的樣本。NPTS 對於含有許多零的間歇性 (有時也稱為稀疏) 時間序列尤有效用。Forecast 還包含 Prophet 的 Python 實作，這是一種貝葉斯結構的時間序列模型。 Amazon Forecast 提供兩種全域深度學習演算法： + [DeepAR\+](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) + [CNN-QR](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-algo-cnnqr.html) 全域模型會對資料集中的整個時間序列集合中訓練單一模型。在一組橫截面單位間有類似的時間序列時，此模型特別有用。例如，不同產品、伺服器負載和網頁要求之需求的時間序列分組。 一般而言，隨著時間序列數量增加，CNN-QR 和 DeepAR\+ 的功效也會提升。但本機模型不一定是如此。深度學習模型也可在 (幾乎) 沒有歷史銷售資料的情況下用來產生新 SKU 的預測。這稱為[冷啟動預測](https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks/advanced/Forecast%20with%20Cold%20Start%20Items)。 ![此表比較 Amazon Forecast 中可用的演算法](http://docs.aws.amazon.com/zh_tw/whitepapers/latest/time-series-forecasting-principles-with-amazon-forecast/images/amazon-forecast-algorithm-comparison.png) 如需相關時間序列的詳細資訊，請參閱[相關時間序列](https://docs.aws.amazon.com/forecast/latest/dg/related-time-series-datasets.html)。