Ugentlige prognoser kan nu starte på søndag med Amazon Forecast

Det er vi glade for at kunne meddele i Amazon prognose, kan du nu starte din prognosehorisont ved tilpassede udgangspunkter, herunder om søndagen for ugentlige prognoser. Dette giver dig mulighed for i højere grad at tilpasse efterspørgselsplanlægningsprognoser til lokal forretningspraksis og driftskrav.

Forecast er en fuldt administreret tjeneste, der bruger statistiske og maskinlæringsalgoritmer (ML) til at levere meget nøjagtige tidsserieprognoser. Den bruger state-of-the-art algoritmer til at forudsige fremtidige tidsseriedata baseret på historiske data og kræver ingen ML-erfaring. Typiske Forecast-applikationer inkluderer ressourceplanlægning for inventar, personalebemanding og webtrafik. I dette indlæg gennemgår vi en ny mulighed, der giver dig mulighed for at tilpasse prognoser til forretnings- og efterspørgselscyklusser, mens du reducerer driftsomkostningerne ved at aflaste aggregeringsarbejdsgange.

For at optimere efterspørgselsplanlægningen skal prognoserne være i overensstemmelse med forretningsdriften. Tidligere var udgangspunkter for prognoser fastsat: daglige prognoser forudsatte efterspørgsel fra midnat hver dag, ugentlige forudsigelser antog mandag som den første dag i ugen, og månedlige forudsigelser startede den første dag i hver måned. Disse foruddefinerede udgangspunkter gav to udfordringer. For det første, hvis din forretningscyklus begyndte på et andet tidspunkt end den faste værdi, skulle du manuelt aggregere prognoser til dit krævede udgangspunkt. For eksempel, hvis din arbejdsuge begyndte på en søndag, og du ønskede at producere ugentlige prognoser, skulle du manuelt aggregere daglige prognoser til en søndag-lørdag-uge. Dette ekstra arbejde øgede omkostninger og regnetid og gav mulighed for fejl. For det andet var træningsdata og prognoseperioder ikke konsistente; hvis dine data afspejler en efterspørgselscyklus, der begynder om søndagen, bør forudsigeren og prognosen også bruge søndag som udgangspunkt.

Udgangspunkter for tilpasset prognosehorisont tilpasser nu forretningsdrift og prognoser, hvilket eliminerer behovet for manuelt aggregeringsarbejde og sparer omkostninger og beregning. Hvis du har en arbejdsuge, der starter om søndagen, kan du automatisk samle daglige data for at generere ugentlige prognoser, der begynder om søndagen. Eller du kan begynde daglige prognoser, der starter kl. 9:00. Forudsigelser kan nu justeres med dine jordsandhedsdata, hvilket giver overensstemmelse mellem input og prognoser. Udgangspunkter for prognosehorisont defineres nemt, når du træner nye forudsigere via Forecast-konsollen eller bruger Forecast API'er.

Definer brugerdefinerede startperioder for prognosehorisonten

Prognosehorisonten er det tidsrum, som en prognose laves for, og er afgrænset af et start- og slutpunkt. I Forecast kan du nu vælge specifikke udgangspunkter for daglige, ugentlige, månedlige og årlige prognosehorisonter, når du træner nye forudsigere. Disse udgangspunkter - også kaldet grænseværdier— er valgt ved en frekvensenhed finere end prognosehorisonten, som vist i følgende tabel.

Forecast frekvensenhed	Grænseenhed	Grænseværdier
Daglige	Time	0-23
Ugentlig	Ugedag	mandag til søndag
/ Måned	Dag i måneden	1 gennem 28
Årlig	Måned	januar til december

Med tilpassede udgangspunkter kan du justere prognoser, så de starter på bestemte tidspunkter, der matcher dine forretningsprocesser og sandhedsdata, f.eks. maj måned, den 15. i måneden, søndage eller kl. 15. For prognosehorisonter, der er grovere end den angivne tidsseriefrekvens, samler prognose tidsseriedataene baseret på det tilpassede udgangspunkt. For eksempel:

• Når der genereres daglige prognoser fra timedata med en startperiode kl. 9, aggregeres prognoser med timedata hver dag mellem kl. 00 til den følgende dag kl. 9
• Når der genereres ugentlige prognoser fra daglige data med en søndags startperiode, aggregeres prognoser med daglige data hver uge fra søndag til den følgende lørdag
• Når der genereres månedlige prognoser fra daglige data med startdag den 15. i måneden, aggregeres prognoser med daglige data fra den 15. i den aktuelle måned til den 14. i den næste måned
• Når der genereres årlige prognoser fra månedlige data med startmåneden maj, aggregeres prognoserne med månedlige data fra maj i det indeværende år til april næste år

Tilgængelige prognosefrekvenser

Følgende skærmbilleder viser eksempler på brugerdefinerede daglige, ugentlige, månedlige og årlige prognosefrekvenser og udgangspunkter (den Tidsjusteringsgrænse felt på prognosekonsollen).

Angiv startpunkter for tilpasset prognosehorisont

Du kan definere tilpassede prognosehorisontstartpunkter, når du opretter en ny forudsigelse. De følgende trin viser, hvordan du gør dette ved hjælp af Forecast-konsollen. Vi tilbyder også en eksempel notesbog der giver et eksempel på, hvordan du integrerer denne nye indstilling i dine arbejdsgange.

1. På prognosekonsollen skal du vælge Se datasætgrupper, Og derefter Opret datasætgruppe.
2. Opret din datasætgruppe, et måltidsseriedatasæt, og indlæs dine data.
   Du bliver omdirigeret til Forecast-konsollen, efterhånden som dine data indlæses.
3. Når dit måltidsseriedatasæt er indlæst i din datasætgruppe og aktivt, skal du vælge Starten under Træn en prædiktor.
4. I Tog forudsigelse afsnit, angive værdier for Navn, Forecast frekvensog Prognosehorisont felter.
5. I den valgfrie Tidsjusteringsgrænse feltet skal du angive det startpunkt, som forudsigelsen bruger til prognosen.
   Værdierne i denne liste afhænger af Forecast frekvens værdi du vælger. I dette eksempel opretter vi ugentlige prognoser med en 1-uges horisont, med søndag som startdag for ugen og for prognosen.
   
6. Angiv andre valgfrie konfigurationer efter behov, og vælg Opret.
   
   Når du har oprettet forudsigelsen, kan du oprette din prognose.
7. Vælg i navigationsruden under din datasætgruppe prædiktorer.
8. Vælg din nye forudsigelse.
9. Vælg Opret prognose.
   
10. Angiv de nødvendige detaljer og vælg Starten for at oprette din prognose.
    
11. Når prognosen er færdig, skal du vælge Opret prognoseeksport at eksportere resultaterne.
    

Følgende skærmbilleder er eksempler på den originale inputfil (venstre) og de eksporterede prognoseresultater (højre). Inputfilen er med en timefrekvens, hvorimod prognosen produceres med en ugentlig frekvens, begyndende med søndag som den første dag i ugen. Dette er et eksempel på, at prognose automatisk aggregeres over to niveauer af prognosefrekvenser (fra timer til dage).

Konklusion

Brugerdefinerede udgangspunkter for prognosehorisont i Forecast giver dig mulighed for at producere prognoser, der stemmer overens med dine specifikke operationelle krav. Arbejdsuger starter på forskellige dage i forskellige regioner, hvilket kræver prognoser, der begynder på andre dage end mandage, og som er tilpasset til grundtræning og løbende data. Eller du vil måske generere timeprognoser, der afspejler en efterspørgselscyklus, der starter kl. 7:00 hver dag, f.eks.

Forecast samler også automatisk finkornede prognoser til højere frekvenser (såsom dage ind i uger). Dette giver dig mulighed for at producere prognoser, der er tilpasset dine operationer, og du sparer omkostninger ved at fjerne behovet for at stå op og administrere aggregeringsarbejdsgange.

Brugerdefinerede udgangspunkter er valgfrie. Hvis du ikke angiver specifikke udgangspunkter, starter prognoserne kl standardtider. Specifikke udgangspunkter for prognosehorisonten er kun tilgængelige med AutoPredictor. For mere information, se Ny Amazon Forecast API, der skaber op til 40 % mere nøjagtige prognoser og giver forklaring , Opret AutoPredictor.

For at lære mere om prognosefrekvenser, se Dataaggregering for forskellige prognosefrekvenser. Alle disse nye funktioner er tilgængelige i alle regioner, hvor prognose er offentligt tilgængelig. For mere information om tilgængelighed i regionen, se AWS regionale tjenester.

---

Om forfatterne

Dan Sinnreich er Sr. Product Manager for Amazon Forecast. Han er fokuseret på at demokratisere lav-kode/no-code maskinlæring og anvende det til at forbedre forretningsresultater. Uden for arbejdet kan man finde ham, der spiller hockey, prøver at forbedre sin tennisservering, dykning og læser science fiction.

Paras Arora er softwareudviklingsingeniør i Amazon Forecast Team. Han brænder for at bygge banebrydende AI/ML-løsninger i skyen. I sin fritid nyder han at vandre og rejse.

Chetan Surana er softwareudviklingsingeniør i Amazon Forecast-teamet. Hans interesser ligger i skæringspunktet mellem maskinlæring og softwareudvikling, hvor han anvender gennemtænkte design- og ingeniørfærdigheder til at løse problemer. Uden for arbejdet nyder han at fotografere, vandre og lave mad.

• Coinsmart. Europas bedste Bitcoin og Crypto Exchange.
• Platoblokkæde. Web3 Metaverse Intelligence. Viden forstærket. FRI ADGANG.
• CryptoHawk. Altcoin radar. Gratis prøveversion.
• Kilde: https://aws.amazon.com/blogs/machine-learning/weekly-forecasts-can-now-start-on-sunday-with-amazon-forecast/