ما هیجان زده هستیم که اعلام کنیم که در پیش بینی آمازون، اکنون می توانید افق پیش بینی خود را از نقاط شروع سفارشی شروع کنید، از جمله در روزهای یکشنبه برای پیش بینی های هفتگی. این به شما امکان میدهد تا پیشبینیهای برنامهریزی تقاضا را با شیوههای تجاری محلی و الزامات عملیاتی هماهنگتر کنید.
Forecast یک سرویس کاملاً مدیریت شده است که از الگوریتم های آماری و یادگیری ماشینی (ML) برای ارائه پیش بینی های سری زمانی بسیار دقیق استفاده می کند. از الگوریتم های پیشرفته برای پیش بینی داده های سری زمانی آینده بر اساس داده های تاریخی استفاده می کند و نیازی به تجربه ML ندارد. برنامههای پیشبینی معمولی شامل برنامهریزی منابع برای موجودی، کارکنان نیروی کار و ترافیک وب است. در این پست، گزینه جدیدی را بررسی میکنیم که به شما امکان میدهد پیشبینیها را با چرخههای تجاری و تقاضا هماهنگ کنید، در حالی که هزینه عملیاتی را با بارگیری جریانهای کاری تجمیع کاهش میدهد.
برای بهینه سازی برنامه ریزی تقاضا، پیش بینی ها باید با عملیات تجاری همسو شوند. پیش از این، نقاط شروع پیشبینیها ثابت بود: پیشبینیهای روزانه تقاضا را در نیمه شب هر روز فرض میکردند، پیشبینیهای هفتگی دوشنبه را به عنوان اولین روز هفته در نظر میگرفتند، و پیشبینیهای ماهانه را در اولین روز هر ماه آغاز میکردند. این نقاط شروع از پیش تعریف شده دو چالش را به همراه داشت. ابتدا، اگر چرخه تجاری شما در نقطه ای متفاوت از مقدار ثابت شروع می شد، باید پیش بینی ها را به صورت دستی در نقطه شروع مورد نیاز خود جمع آوری می کردید. برای مثال، اگر هفته کاری شما از یکشنبه شروع میشود و میخواهید پیشبینیهای هفتگی ایجاد کنید، باید پیشبینیهای روزانه را به صورت دستی در هفتههای یکشنبه تا شنبه جمع آوری کنید. این کار اضافی هزینه و زمان محاسبه را اضافه کرد و فرصت هایی را برای خطاها ارائه کرد. دوم، داده های آموزشی و دوره های پیش بینی سازگار نبودند. اگر دادههای شما چرخه تقاضا را منعکس میکند که از یکشنبهها شروع میشود، پیشبینیکننده و پیشبینیکننده نیز باید از یکشنبه به عنوان نقطه شروع استفاده کنند.
نقطه شروع افق پیشبینی سفارشی اکنون عملیات و پیشبینیهای تجاری را همسو میکند و نیاز به کار جمعآوری دستی و صرفهجویی در هزینه و محاسبات را از بین میبرد. اگر هفته کاری دارید که از یکشنبهها شروع میشود، میتوانید بهطور خودکار دادههای روزانه را جمعآوری کنید تا پیشبینیهای هفتگی که از یکشنبهها شروع میشود ایجاد کنید. یا می توانید پیش بینی های روزانه را از ساعت 9:00 صبح شروع کنید. اکنون میتوان پیشبینیکنندهها را با دادههای حقیقت زمینی شما همسو کرد و هماهنگی بین ورودیها و پیشبینیها را فراهم کرد. هنگام آموزش پیشبینیکنندههای جدید از طریق کنسول Forecast یا استفاده از آن، نقاط شروع افق پیشبینی به راحتی تعریف میشوند. API های پیش بینی.
دوره های شروع افق پیش بینی سفارشی را تعریف کنید
افق پیشبینی مدت زمانی است که پیشبینی انجام میشود و با یک نقطه شروع و پایان محدود میشود. در Forecast، اکنون می توانید هنگام آموزش پیش بینی کننده های جدید، نقاط شروع خاصی را برای افق های پیش بینی روزانه، هفتگی، ماهانه و سالانه انتخاب کنید. این نقاط شروع - همچنین نامیده می شود مقادیر مرزی- همانطور که در جدول زیر نشان داده شده است، در یک واحد فرکانس دقیق تر از افق پیش بینی انتخاب می شوند.
واحد فرکانس پیش بینی | واحد مرزی | مقادیر مرزی |
روزانه | ساعت | 0-23 |
هفتگی | روز هفته | دوشنبه تا یکشنبه |
ماهیانه | روز ماه | 1 از طریق 28 |
سالانه | ماه | ژانویه تا دسامبر |
با نقاط شروع سفارشی، میتوانید پیشبینیها را برای شروع در مقاطع زمانی خاصی تنظیم کنید که با فرآیندهای تجاری و دادههای واقعی شما مطابقت دارد، برای مثال، ماه مه، پانزدهم ماه، یکشنبهها یا ساعت 15:15. برای افق های پیش بینی درشت تر از فرکانس سری زمانی ارائه شده، Forecast داده های سری زمانی را بر اساس نقطه شروع سفارشی جمع می کند. مثلا:
- هنگام تولید پیشبینیهای روزانه از دادههای ساعتی با دوره شروع 9 صبح، پیشبینیها با دادههای ساعتی هر روز بین ساعت 00 صبح تا روز بعد در ساعت 9:00 صبح تجمیع میشوند.
- هنگام تولید پیش بینی های هفتگی از داده های روزانه با دوره شروع یکشنبه، پیش بینی ها با داده های روزانه هر هفته از یکشنبه تا شنبه بعد جمع می شوند.
- هنگام ایجاد پیشبینیهای ماهانه از دادههای روزانه با روز شروع پانزدهم ماه، پیشبینیها با دادههای روزانه از پانزدهم ماه جاری تا چهاردهم ماه بعد تجمیع میشوند.
- هنگام تولید پیشبینیهای سالانه از دادههای ماهانه با شروع ماه مه، پیشبینیها با دادههای ماهانه از ماه می سال جاری تا آوریل سال آینده تجمیع میشوند.
فرکانس های پیش بینی موجود
تصاویر زیر نمونههایی از فرکانسهای پیشبینی سفارشی روزانه، هفتگی، ماهانه و سالانه و نقاط شروع را نشان میدهند. مرز تراز زمانی فیلد در کنسول Forecast).
نقاط شروع افق پیش بینی سفارشی را مشخص کنید
هنگام ایجاد یک پیش بینی جدید، می توانید نقاط شروع افق پیش بینی سفارشی را تعریف کنید. مراحل زیر نحوه انجام این کار را با استفاده از کنسول Forecast نشان می دهد. ما همچنین ارائه می دهیم نمونه دفترچه یادداشت که مثالی از نحوه ادغام این تنظیم جدید در گردش کار شما ارائه می دهد.
- در کنسول Forecast، را انتخاب کنید مشاهده گروه های داده، و سپس ایجاد گروه داده.
- گروه داده خود، مجموعه داده سری زمانی هدف را ایجاد کنید و داده های خود را بارگیری کنید.
با بارگیری اطلاعات شما به کنسول Forecast هدایت می شوید. - پس از اینکه مجموعه داده سری زمانی هدف شما در گروه مجموعه داده بارگیری شد و فعال شد، انتخاب کنید آغاز زیر یک پیشگو تربیت کنید.
- در پیش بینی کننده قطار بخش، مقادیری را برای نام, فرکانس پیش بینیو افق پیش بینی زمینه ها.
- در اختیاری مرز تراز زمانی در قسمت، نقطه شروعی را که پیش بینی کننده برای پیش بینی استفاده می کند، مشخص کنید.
مقادیر در این لیست به فرکانس پیش بینی ارزشی که شما انتخاب می کنید در این مثال، پیشبینیهای هفتگی با افق ۱ هفتهای ایجاد میکنیم که یکشنبه به عنوان روز شروع هفته و پیشبینی است.
- تنظیمات اختیاری دیگر را در صورت نیاز ارائه دهید و انتخاب کنید ساختن.
پس از ایجاد پیش بینی، می توانید پیش بینی خود را ایجاد کنید. - در صفحه پیمایش، در زیر گروه مجموعه داده خود را انتخاب کنید پیش بینی کنندگان.
- پیش بینی جدید خود را انتخاب کنید.
- را انتخاب کنید ایجاد پیش بینی.
- جزئیات لازم را ارائه دهید و انتخاب کنید آغاز برای ایجاد پیش بینی شما
- وقتی پیش بینی کامل شد، انتخاب کنید صادرات پیش بینی ایجاد کنید برای صادرات نتایج
اسکرین شات های زیر نمونه هایی از فایل ورودی اصلی (سمت چپ) و نتایج پیش بینی صادر شده (راست) هستند. فایل ورودی با فرکانس ساعتی است، در حالی که پیشبینی با فرکانس هفتگی تولید میشود که از یکشنبه به عنوان اولین روز هفته شروع میشود. این نمونه ای از Forecast است که به طور خودکار در دو سطح از فرکانس های پیش بینی (از ساعت تا روز) جمع می شود.
نتیجه
نقطه شروع افق پیشبینی سفارشی در Forecast به شما امکان میدهد پیشبینیهایی ایجاد کنید که با نیازهای عملیاتی خاص شما همسو باشد. هفتههای کاری در روزهای مختلف در مناطق مختلف شروع میشود، که نیاز به پیشبینیهایی دارد که در روزهایی غیر از دوشنبهها شروع میشوند و با آموزش حقیقت زمینی و دادههای مداوم همسو هستند. یا ممکن است بخواهید پیش بینی های ساعتی ایجاد کنید که به عنوان مثال، چرخه تقاضا را که از ساعت 7 صبح شروع می شود، منعکس می کند.
پیشبینی همچنین بهطور خودکار پیشبینیهای دقیق را در فرکانسهای سطح بالاتر (مانند روز به هفته) جمعآوری میکند. این به شما امکان میدهد پیشبینیهایی مطابق با عملیات خود تولید کنید و با حذف نیاز به ایستادن و مدیریت گردشهای کاری تجمیع، در هزینههای شما صرفهجویی میکند.
نقاط شروع سفارشی اختیاری هستند. اگر نقاط شروع خاصی را ارائه نکنید، پیشبینیها از شروع میشوند زمان های پیش فرض. نقاط شروع افق پیش بینی خاص فقط با AutoPredictor در دسترس هستند. برای اطلاعات بیشتر مراجعه کنید API جدید پیشبینی آمازون که تا 40 درصد پیشبینیهای دقیقتری ایجاد میکند و قابل توضیح است و CreateAutoPredictor.
برای کسب اطلاعات بیشتر در مورد فرکانس های پیش بینی مراجعه کنید تجمیع داده ها برای فرکانس های مختلف پیش بینی. همه این قابلیتهای جدید در همه مناطقی که Forecast در دسترس عموم است، در دسترس هستند. برای اطلاعات بیشتر در مورد در دسترس بودن منطقه، نگاه کنید خدمات منطقه ای AWS.
درباره نویسنده
دن سین رایش یک مدیر محصول Sr برای Amazon Forecast است. او بر دموکراتیک کردن یادگیری ماشینی با کد پایین/بدون کد و به کارگیری آن برای بهبود نتایج کسب و کار متمرکز است. خارج از محل کار، او را می توان در حال بازی هاکی، تلاش برای بهبود سرویس تنیس، غواصی و خواندن داستان های علمی تخیلی یافت.
Paras Arora یک مهندس توسعه نرم افزار در تیم پیش بینی آمازون است. او مشتاق ساخت راه حل های پیشرفته AI/ML در فضای ابری است. در اوقات فراغت از پیاده روی و مسافرت لذت می برد.
چتان سورنا یک مهندس توسعه نرم افزار در تیم آمازون Forecast است. علایق او در تقاطع یادگیری ماشین و توسعه نرم افزار، استفاده از طراحی متفکرانه و مهارت های مهندسی برای حل مشکلات نهفته است. خارج از محل کار، او از عکاسی، پیاده روی و آشپزی لذت می برد.
- "
- 100
- 7
- 9
- a
- درباره ما
- دقیق
- فعال
- اضافه
- اضافی
- الگوریتم
- معرفی
- اجازه می دهد تا
- آمازون
- اعلام
- API
- برنامه های کاربردی
- با استفاده از
- آوریل
- بطور خودکار
- دسترس پذیری
- در دسترس
- AWS
- آغاز شد
- شروع
- میان
- مرز
- بنا
- کسب و کار
- قابلیت های
- چالش ها
- را انتخاب کنید
- ابر
- کامل
- محاسبه
- استوار
- کنسول
- هزینه
- ایجاد
- ایجاد
- ایجاد
- جاری
- سفارشی
- چرخه
- روزانه
- داده ها
- روز
- تقاضا
- نشان دادن
- طرح
- جزئیات
- پروژه
- مختلف
- هر
- به آسانی
- لبه
- مهندس
- مهندسی
- مثال
- مثال ها
- برانگیخته
- تجربه
- داستان
- زمینه
- نام خانوادگی
- ثابت
- متمرکز شده است
- پیروی
- یافت
- از جانب
- آینده
- تولید می کنند
- مولد
- گروه
- ارتفاع
- خیلی
- تاریخی
- افق
- افق
- چگونه
- چگونه
- HTTPS
- بهبود
- شامل
- از جمله
- اطلاعات
- ورودی
- ادغام
- منافع
- تقاطع
- فهرست
- IT
- یاد گرفتن
- یادگیری
- سطح
- فهرست
- بار
- محلی
- دستگاه
- فراگیری ماشین
- ساخته
- مدیریت
- اداره می شود
- مدیر
- کتابچه راهنمای
- دستی
- مسابقه
- ML
- دوشنبه
- ماه
- ماهیانه
- بیش
- جهت یابی
- لازم
- بعد
- ارائه
- مداوم
- عملیات
- فرصت ها
- بهینه سازی
- گزینه
- دیگر
- احساساتی
- دوره
- دوره ها
- عکاسی
- برنامه ریزی
- بازی
- نقطه
- نقطه
- پیش بینی
- پیش بینی
- مشکلات
- فرآیندهای
- تولید کردن
- ساخته
- محصول
- ارائه
- ارائه
- فراهم می کند
- ارائه
- مطالعه
- کاهش
- بازتاب
- بازتاب می دهد
- منطقه
- منطقهای
- از بین بردن
- ضروری
- مورد نیاز
- نیاز
- منابع
- نتایج
- این فایل نقد می نویسید:
- صرفه جویی کردن
- علم
- انتخاب شد
- سلسله
- سرویس
- محیط
- نشان داده شده
- مهارت ها
- نرم افزار
- توسعه نرم افزار
- جامد
- مزایا
- حل
- خاص
- ایستادن
- شروع
- آغاز شده
- وضعیت هنر
- آماری
- هدف
- تیم
- La
- از طریق
- زمان
- ترافیک
- آموزش
- سفر
- زیر
- استفاده کنید
- ارزش
- خواسته
- وب
- هفته
- هفتگی
- در حین
- مهاجرت کاری
- گردش کار
- نیروی کار
- سال
- شما