Tidsserieprognoser hänvisar till processen att förutsäga framtida värden för tidsseriedata (data som samlas in med jämna mellanrum över tiden). Enkla metoder för tidsserieprognoser använder historiska värden för samma variabel vars framtida värden måste förutsägas, medan mer komplexa, maskininlärningsbaserade metoder (ML) använder ytterligare information, såsom tidsseriedata för relaterade variabler.
Amazon Prognos är en ML-baserad tidsserieprognostjänst som inkluderar algoritmer som är baserade på över 20 års prognoserfarenhet som används av Amazon.com, vilket ger utvecklare samma teknik som används på Amazon som en helt hanterad tjänst, vilket tar bort behovet av att hantera resurser. Forecast använder ML för att lära sig inte bara den bästa algoritmen för varje objekt, utan också den bästa ensemblen av algoritmer för varje objekt, vilket automatiskt skapar den bästa modellen för dina data.
Det här inlägget beskriver hur man distribuerar återkommande prognosarbetsbelastningar (tidsserieprognosarbetsbelastningar) utan kod med AWS molnformation, AWS stegfunktioneroch AWS systemchef. Metoden som presenteras här hjälper dig att bygga en pipeline som låter dig använda samma arbetsflöde från och med den första dagen av din tidsserieprognosexperiment till och med implementeringen av modellen i produktion.
Tidsserieprognos med Prognos
Arbetsflödet för Forecast innefattar följande vanliga begrepp:
- Importera datamängder – I Forecast, en datagrupp är en samling datauppsättningar, scheman och prognosresultat som går ihop. Varje datauppsättningsgrupp kan ha upp till tre datauppsättningar, en av varje dataset typ: måltidsserier (TTS), relaterade tidsserier (RTS) och objektmetadata. En datauppsättning är en samling filer som innehåller data som är relevanta för en prognosuppgift. En datauppsättning måste överensstämma med schemat som definieras i Prognos. För mer information, se Importera datamängder.
- Träningsprediktorer - En prediktor är en prognostränad modell som används för att göra prognoser baserade på tidsseriedata. Under träningen beräknar Forecast noggrannhetsmått som du använder för att utvärdera prediktorn och bestämma om du ska använda prediktorn för att generera en prognos. För mer information, se Träningsprediktorer.
- Generera prognoser – Du kan sedan använda den tränade modellen för att generera prognoser för en framtida tidshorisont, känd som prognoshorisont. Prognos ger prognoser för olika specificerade kvantiler. Till exempel kommer en prognos vid 0.90-kvantilen att uppskatta ett värde som är lägre än det observerade värdet 90 % av gångerna. Som standard använder Forecast följande värden för prediktorprognostyperna: 0.1 (P10), 0.5 (P50) och 0.9 (P90). Prognoser vid olika kvantiler används vanligtvis för att tillhandahålla ett prediktionsintervall (en övre och nedre gräns för prognoser) för att ta hänsyn till prognososäkerhet.
Du kan implementera detta arbetsflöde i Forecast antingen från AWS Management Console, den AWS-kommandoradsgränssnitt (AWS CLI), via API-anrop med Python-anteckningsböcker, eller via automationslösningar. De trösta och AWS CLI metoder är bäst lämpade för snabba experiment för att kontrollera genomförbarheten av tidsserieprognoser med hjälp av dina data. Python-anteckningsbokmetoden är utmärkt för dataforskare som redan är bekanta med Jupyter-datorer och kodning, och ger maximal kontroll och inställning. Den notebook-baserade metoden är dock svår att operationalisera. Vår automatiseringsmetod underlättar snabba experiment, eliminerar repetitiva uppgifter och möjliggör enklare övergång mellan olika miljöer (utveckling, iscensättning, produktion).
I det här inlägget beskriver vi en automatiseringsmetod för att använda Forecast som gör att du kan använda din egen data och tillhandahåller ett enda arbetsflöde som du kan använda sömlöst under hela livscykeln för utvecklingen av din prognoslösning, från de första dagarna av experiment till implementeringen av lösningen i din produktionsmiljö.
Lösningsöversikt
I följande avsnitt beskriver vi ett komplett end-to-end-arbetsflöde som fungerar som en mall att följa för automatisk distribution av tidsserieprognosmodeller med hjälp av Forecast. Detta arbetsflöde skapar prognostiserade datapunkter från en datauppsättning med öppen källkod; du kan dock använda samma arbetsflöde för din egen data, så länge du kan formatera dina data enligt stegen som beskrivs i det här inlägget. När du har laddat upp data går vi igenom stegen för att skapa prognosdatagrupper, importera data, träna ML-modeller och producera prognostiserade datapunkter för framtida osynliga tidshorisonter från rådata. Allt detta är möjligt utan att behöva skriva eller kompilera kod.
Följande diagram illustrerar prognostiseringsarbetsflödet.
Lösningen distribueras med hjälp av två CloudFormation-mallar: beroendemallen och mallen för arbetsbelastning. CloudFormation gör att du kan utföra AWS-infrastrukturdistributioner förutsägbart och upprepade gånger genom att använda mallar som beskriver resurserna som ska distribueras. En utplacerad mall kallas en stapel. Vi har tagit hand om att definiera infrastrukturen i lösningen åt dig i de två medföljande mallarna. Beroendemallen definierar nödvändiga resurser som används av arbetsbelastningsmallen, till exempel en Amazon enkel lagringstjänst (Amazon S3) hink för föremålsförvaring och AWS identitets- och åtkomsthantering (IAM) behörigheter för AWS API-åtgärder. Resurserna som definieras i beroendemallen kan delas av flera arbetsbelastningsmallar. Arbetsbelastningsmallen definierar resurserna som används för att mata in data, träna en prediktor och generera en prognos.
Distribuera mallen CloudFormation för beroenden
Låt oss först distribuera beroendemallen för att skapa våra nödvändiga resurser. Beroendemallen distribuerar en valfri S3-hink, AWS Lambda funktioner och IAM-roller. Amazon S3 är en låg kostnad, högt tillgänglig, motståndskraftig, objektlagringstjänst. Vi använder en S3-bucket i den här lösningen för att lagra källdata och trigga arbetsflödet, vilket resulterar i en prognos. Lambda är en serverlös, händelsestyrd beräkningstjänst som låter dig köra kod utan att tillhandahålla eller hantera servrar. Beroendemallen innehåller funktioner för att göra saker som att skapa en datauppsättningsgrupp i Forecast och rensa objekt i en S3-bucket innan du tar bort hinken. IAM-roller definierar behörigheter inom AWS för användare och tjänster. Beroendemallen distribuerar en roll som ska användas av Lambda och en annan för Step Functions, en arbetsflödeshanteringstjänst som kommer att koordinera uppgifterna för dataintag och bearbetning, samt prediktorträning och inferens med hjälp av Forecast.
Utför följande steg för att distribuera beroendemallen:
- På konsolen väljer du önskad Region som stöds av Forecast för lösningsdistribution.
- Välj på AWS CloudFormation-konsolen Stacks i navigeringsfönstret.
- Välja Skapa stack Och välj Med nya resurser (standard).
- För Mallkälla, Välj Amazon S3 URL.
- Ange mallens URL:
https://amazon-forecast-samples.s3.us-west-2.amazonaws.com/ml_ops/forecast-mlops-dependency.yaml
. - Välja Nästa.
- För Stapla namn, stiga på
forecast-mlops-dependency
. - Enligt parametrar, välj att använda en befintlig S3-skopa eller skapa en ny och ange sedan namnet på hinken.
- Välja Nästa.
- Välja Nästa för att acceptera standardstackalternativen.
- Markera kryssrutan för att bekräfta att stacken skapar IAM-resurser och välj sedan Skapa stack för att distribuera mallen.
Du bör se mallen distribuera som forecast-mlops-dependency
stack. När statusen ändras till CREATE_COMPLETE
kan du gå vidare till nästa steg.
Distribuera arbetsbelastningen CloudFormation-mallen
Låt oss sedan distribuera arbetsbelastningsmallen för att skapa våra nödvändiga resurser. Arbetsbelastningsmallen distribuerar Step Functions-tillståndsmaskiner för arbetsflödeshantering, AWS Systems Manager Parameter Store parametrar för att lagra parametervärden från AWS CloudFormation och informera arbetsflödet, en Amazon enkel meddelandetjänst (Amazon SNS) ämne för arbetsflödesmeddelanden och en IAM-roll för behörigheter för arbetsflödestjänster.
Lösningen skapar fem tillståndsmaskiner:
- CreateDatasetGroupStateMachine – Skapar en prognosdatagrupp för data som ska importeras till.
- CreateImportDatasetStateMachine – Importerar källdata från Amazon S3 till en datasetgrupp för utbildning.
- CreateForecastStateMachine – Hanterar de uppgifter som krävs för att träna en prediktor och generera en prognos.
- AthenaConnectorStateMachine – Gör att du kan skriva SQL-frågor med Amazonas Athena anslutning till landdata i Amazon S3. Detta är en valfri process för att erhålla historisk data i det format som krävs för Forecast genom att använda Athena istället för att placera filer manuellt i Amazon S3.
- StepFunctionWorkflowStateMachine – Koordinater ringer till de andra fyra tillståndsmaskinerna och hanterar det övergripande arbetsflödet.
Parameter Store, en funktion hos Systems Manager, tillhandahåller säker, hierarkisk lagring och programmatisk hämtning av konfigurationsdatahantering och hemlighetshantering. Parameter Store används för att lagra parametrar som ställts in i arbetsbelastningsstacken samt andra parametrar som används av arbetsflödet.
Utför följande steg för att distribuera mallen för arbetsbelastning:
- Välj på AWS CloudFormation-konsolen Stacks i navigeringsfönstret.
- Välja Skapa stack Och välj Med nya resurser (standard).
- För Mallkälla, Välj Amazon S3 URL.
- Ange mallens URL:
https://amazon-forecast-samples.s3.us-west-2.amazonaws.com/ml_ops/forecast-mlops-solution-guidance.yaml
. - Välja Nästa.
- För Stapla namn, ange ett namn.
- Acceptera standardvärdena eller ändra parametrarna.
Se till att ange S3-bucket-namnet från beroendestacken för S3 hink och en giltig e-postadress för SNSendpoint även om du accepterar standardparametervärdena.
Följande tabell beskriver varje parameter.
Parameter | Beskrivning | Mer information |
DatasetGroupFrequencyRTS |
Frekvensen av datainsamling för RTS-datauppsättningen. | . |
DatasetGroupFrequencyTTS |
Frekvensen av datainsamling för TTS-datauppsättningen. | . |
DatasetGroupName |
Ett kort namn för datasetgruppen, en fristående arbetsbelastning. | CreateDatasetGroup |
DatasetIncludeItem |
Ange om du vill tillhandahålla objektmetadata för detta användningsfall. | . |
DatasetIncludeRTS |
Ange om du vill tillhandahålla en relaterad tidsserie för detta användningsfall. | . |
ForecastForecastTypes |
När ett CreateForecast-jobb körs, deklarerar detta vilka kvantiler som ska producera förutsägelser för. Du kan välja upp till fem värden i denna array. Redigera detta värde för att inkludera värden efter behov. | Skapa prognoser |
PredictorAttributeConfigs |
För målvariabeln i TTS och varje numeriskt fält i RTS-datauppsättningarna måste en post skapas för varje tidsintervall för varje objekt. Den här konfigurationen hjälper till att bestämma hur saknade poster fylls i: med 0, NaN eller annat. Vi rekommenderar att du fyller i luckorna i TTS med NaN istället för 0. Med 0 kan modellen lära sig felaktigt att förskjuta prognoser mot 0. NaN är hur vägledningen levereras. Rådgör med din AWS Solutions Architect om du har frågor om detta. | Skapa AutoPredictor |
PredictorExplainPredictor |
Giltiga värden är TRUE eller FALSE. Dessa avgör om förklarabarhet är aktiverat för din prediktor. Detta kan hjälpa dig att förstå hur värden i RTS och artikelmetadata påverkar modellen. | Förklarbarhet |
PredictorForecastDimensions |
Du kanske vill prognostisera på en finare korn än artikel. Här kan du ange dimensioner som plats, kostnadsställe eller vad du än har för behov. Detta måste överensstämma med dimensionerna i din RTS och TTS. Observera att om du inte har någon dimension är den korrekta parametern null, ensam och med små bokstäver. null är ett reserverat ord som låter systemet veta att det inte finns någon parameter för dimensionen. | Skapa AutoPredictor |
PredictorForecastFrequency |
Definierar tidsskalan vid vilken din modell och förutsägelser kommer att genereras, till exempel dagligen, veckovis eller månadsvis. Rullgardinsmenyn hjälper dig att välja tillåtna värden. Detta måste överensstämma med din RTS-tidsskala om du använder RTS. | Skapa AutoPredictor |
PredictorForecastHorizon |
Antalet tidssteg som modellen förutsäger. Prognoshorisonten kallas också förutsägelselängd. | Skapa AutoPredictor |
PredictorForecastOptimizationMetric |
Definierar noggrannhetsmåttet som används för att optimera prediktorn. Rullgardinsmenyn hjälper dig att välja viktade kvantilförlustsaldon för över- eller underprognoser. RMSE handlar om enheter och WAPE/MAPE handlar om procentfel. | Skapa AutoPredictor |
PredictorForecastTypes |
När en CreateAutoPredictor jobbkörningar, deklarerar detta vilka kvantiler som används för att träna prediktionspunkter. Du kan välja upp till fem värden i denna array, så att du kan balansera över- och underprognoser. Redigera detta värde för att inkludera värden efter behov. |
Skapa AutoPredictor |
S3Bucket |
Namnet på S3-skopan där indata och utdata skrivs för denna arbetsbelastning. | . |
SNSEndpoint |
En giltig e-postadress för att ta emot aviseringar när prediktor- och prognosjobben är klara. | . |
SchemaITEM |
Detta definierar den fysiska ordningen, kolumnnamnen och datatyperna för din artikelmetadatauppsättning. Detta är en valfri fil som tillhandahålls i lösningsexemplet. | Skapa Dataset |
SchemaRTS |
Detta definierar den fysiska ordningen, kolumnnamnen och datatyperna för din RTS-datauppsättning. Måtten måste överensstämma med din TTS. Tidsgraden för denna fil styr den tidsgrad vid vilken förutsägelser kan göras. Detta är en valfri fil som tillhandahålls i lösningsexemplet. | Skapa Dataset |
SchemaTTS |
Detta definierar den fysiska ordningen, kolumnnamnen och datatyperna för din TTS-datauppsättning, den enda nödvändiga datauppsättningen. Filen måste minst innehålla ett målvärde, tidsstämpel och objekt. | Skapa Dataset |
TimestampFormatRTS |
Definierar tidsstämpelformatet i RTS-filen. | CreateDatasetImportJob |
TimestampFormatTTS |
Definierar tidsstämpelformatet som tillhandahålls i TTS-filen. | CreateDatasetImportJob |
- Välja Nästa för att acceptera standardstackalternativen.
- Markera kryssrutan för att bekräfta att stacken skapar IAM-resurser och välj sedan Skapa stack för att distribuera mallen.
Du bör se mallen distribuera som det stacknamn du valde tidigare. När statusen ändras till CREATE_COMPLETE
, kan du gå till steget för datauppladdning.
Ladda upp data
I föregående avsnitt angav du ett stacknamn och en S3-hink. Det här avsnittet beskriver hur man sätter in den allmänt tillgängliga datamängden Efterfrågan på mat i denna hink. Om du använder din egen datauppsättning, se dataset för att förbereda din datauppsättning i ett format som distributionen förväntar sig. Datauppsättningen måste innehålla minst måltidsserien och eventuellt den relaterade tidsserien och objektmetadata:
- TTS är tidsseriedata som inkluderar fältet som du vill generera en prognos för; detta fält kallas målfält
- RTS är tidsseriedata som inte inkluderar målfältet, utan inkluderar ett relaterat fält
- Objektdatafilen är inte tidsseriedata, men innehåller metadatainformation om objekten i TTS- eller RTS-datauppsättningarna
Följ följande steg:
- Om du använder den medföljande exempeldatauppsättningen laddar du ned datauppsättningen Efterfrågan på mat till din dator och packa upp filen, vilket skapar tre filer i tre kataloger (
rts
,tts
,item
). - På Amazon S3-konsolen navigerar du till hinken du skapade tidigare.
- Välja skapa mapp.
- Använd samma sträng som din arbetsbelastningsstacknamn för mappnamnet.
- Välja Ladda.
- Välj de tre datauppsättningsmapparna och välj sedan Ladda.
När uppladdningen är klar bör du se något i stil med följande skärmdump. För det här exemplet är vår mapp aiml42
.
Skapa en prognosdatauppsättningsgrupp
Slutför stegen i det här avsnittet för att skapa en datauppsättningsgrupp som en engångshändelse för varje arbetsbelastning. Framöver bör du planera att köra importdata, skapa prediktor och skapa prognossteg efter behov, som en serie, enligt ditt schema, vilket kan vara dagligen, veckovis eller på annat sätt.
- På Step Functions-konsolen, lokalisera tillståndsmaskinen som innehåller
Create-Dataset-Group
. - Välj på detaljsidan för statens maskin Starta körning.
- Välja Starta körning igen för att bekräfta.
Tillståndsmaskinen tar cirka 1 minut att köra. När den är klar visas värdet under Utförandestatus bör byta från Springa till Lyckades
Importera data till Forecast
Följ stegen i det här avsnittet för att importera datamängden som du laddade upp till din S3-bucket till din datasetgrupp:
- På Step Functions-konsolen, lokalisera tillståndsmaskinen som innehåller
Import-Dataset
. - Välj på detaljsidan för statens maskin Starta utförande.
- Välja Starta körning igen för att bekräfta.
Hur lång tid det tar att köra tillståndsmaskinen beror på den datauppsättning som bearbetas.
- Medan detta körs öppnar du en annan flik i din webbläsare och navigerar till Prognoskonsolen.
- Välj på prognoskonsolen Visa datasetgrupper och navigera till datasetgruppen med det namn som anges för
DataGroupName
från din arbetsbelastningsstack. - Välja Visa datauppsättningar.
Du bör se att dataimporten pågår.
När statsmaskinen för Import-Dataset
är klar kan du gå vidare till nästa steg för att bygga din tidsseriedatamodell.
Skapa AutoPredictor (träna en tidsseriemodell)
Det här avsnittet beskriver hur man tränar en initial prediktor med Forecast. Du kan välja att skapa en ny prediktor (din första baslinjeprediktor) eller träna om en prediktor under varje produktionscykel, som kan vara dagligen, veckovis eller på annat sätt. Du kan också välja att inte skapa en prediktor varje cykel och lita på prediktorövervakning för att vägleda dig när du ska skapa en. Följande figur visualiserar processen för att skapa en produktionsfärdig prognosprediktor.
För att skapa en ny prediktor, utför följande steg:
- På Step Functions-konsolen, lokalisera tillståndsmaskinen som innehåller
Create-Predictor
. - Välj på detaljsidan för statens maskin Starta utförande.
- Välja Starta körning igen för att bekräfta.
Mängden körtid kan bero på datamängden som bearbetas. Detta kan ta upp till en timme eller mer att slutföra. - Medan detta körs öppnar du en annan flik i din webbläsare och navigerar till Prognoskonsolen.
- Välj på prognoskonsolen Visa datasetgrupper och navigera till datasetgruppen med det namn som anges för
DataGroupName
från din arbetsbelastningsstack. - Välja Visa prediktorer.
Du bör se prediktorträningen pågår (Träningsstatus visar "Skapa pågår...").
När statsmaskinen för Create-Predictor
är klar kan du utvärdera dess prestanda.
Som en del av tillståndsmaskinen skapar systemet en prediktor och kör även en BacktestExport
jobb som skriver ut prediktormått på tidsserienivå till Amazon S3. Dessa är filer som finns i två S3-mappar under backtest-export
mapp:
- noggrannhet-metrics-värden – Ger noggrannhetsberäkningar på objektnivå så att du kan förstå prestandan för en enskild tidsserie. Detta gör att du kan undersöka spridningen snarare än att bara fokusera på globala mätvärden.
- prognostiserade värden – Ger förutsägelser på stegnivå för varje tidsserie i backtestfönstret. Detta gör att du kan jämföra det faktiska målvärdet från en uthållningstestuppsättning med de förutsagda kvantilvärdena. Att granska detta hjälper till att formulera idéer om hur man tillhandahåller ytterligare datafunktioner i RTS eller artikelmetadata för att bättre uppskatta framtida värden, vilket ytterligare minskar förlusten. Du kan ladda ner
backtest-export
filer från Amazon S3 eller fråga dem på plats med Athena.
Med din egen data måste du noggrant inspektera prediktorns resultat och säkerställa att mätvärdena motsvarar dina förväntade resultat genom att använda backtest-exportdata. När du är nöjd kan du börja generera framtidsdaterade förutsägelser enligt beskrivningen i nästa avsnitt.
Generera en prognos (slutledning om framtida tidshorisonter)
Det här avsnittet beskriver hur du genererar prognosdatapunkter med Forecast. Framöver bör du samla in ny data från källsystemet, importera data till Forecast och sedan generera prognosdatapunkter. Alternativt kan du också infoga en ny prediktorskapande efter import och före prognos. Följande figur visualiserar processen att skapa produktionstidsserieprognoser med hjälp av Forecast.
Följ följande steg:
- På Step Functions-konsolen, lokalisera tillståndsmaskinen som innehåller
Create-Forecast
. - Välj på detaljsidan för statens maskin Starta utförande.
- Välja Starta körning igen för att bekräfta.
Den här tillståndsmaskinen avslutas mycket snabbt eftersom systemet inte är konfigurerat för att generera en prognos. Den vet inte vilken prediktormodell du har godkänt för slutledning.
Låt oss konfigurera systemet för att använda din utbildade prediktor. - På Forecast-konsolen letar du reda på ARN för din prediktor.
- Kopiera ARN för att använda i ett senare steg.
- Öppna en annan flik i din webbläsare och navigera till System Manager-konsolen.
- Välj på System Manager-konsolen Parameterlagring i navigeringsfönstret.
- Leta reda på parametern som är relaterad till din stack (
/forecast/<StackName>/Forecast/PredictorArn
). - Ange ARN du kopierade för din prediktor.
Så här associerar du en tränad prediktor med inferensfunktionen i Forecast. - Hitta parametern
/forecast/<StackName>/Forecast/Generate
och redigera värdet, ersättFALSE
medTRUE
.
Nu är du redo att köra ett prognosjobb för denna datauppsättningsgrupp. - På Step Functions-konsolen kör du
Create-Forecast
statsmaskin.
Den här gången går jobbet som förväntat. Som en del av statsmaskinen skapar systemet en prognos och en ForecastExport
jobb, som skriver ut tidsserieprognoser till Amazon S3. Dessa filer finns i forecast
mapp
Inuti forecast
mapp, hittar du förutsägelser för dina föremål, som finns i många CSV- eller Parkett-filer, beroende på ditt val. Förutsägelserna för varje tidssteg och valda tidsserier finns med alla dina valda kvantilvärden per post. Du kan ladda ner dessa filer från Amazon S3, fråga dem på plats med Athena eller välja en annan strategi för att använda data.
Detta avslutar hela arbetsflödet. Du kan nu visualisera din produktion med valfritt visualiseringsverktyg, som t.ex Amazon QuickSight. Alternativt kan dataforskare använda pandor för att skapa sina egna plotter. Om du väljer att använda QuickSight kan du koppla dina prognosresultat till QuickSight att utföra datatransformationer, skapa en eller flera dataanalyser och skapa visualiseringar.
Denna process ger en mall att följa. Du måste anpassa provet till ditt schema, ställa in prognoshorisont, tidsupplösning och så vidare enligt ditt användningsfall. Du måste också ställa in ett återkommande schema där data samlas in från källsystemet, importera data och producera prognoser. Om så önskas kan du infoga en prediktoruppgift mellan import- och prognosstegen.
Träna om prediktorn
Vi har gått igenom processen att träna en ny prediktor, men hur är det med att träna om en prediktor? Att omskola en prediktor är ett sätt att minska kostnaderna och tiden som det innebär att träna en prediktor på de senaste tillgängliga data. Istället för att skapa en ny prediktor och träna den på hela datamängden kan vi träna om den befintliga prediktorn genom att endast tillhandahålla de nya inkrementella data som gjorts tillgängliga sedan prediktorn senast tränades. Låt oss gå igenom hur man omskolar en prediktor med hjälp av automationslösningen:
- Välj på prognoskonsolen Visa datasetgrupper.
- Välj den datauppsättningsgrupp som är kopplad till prediktorn du vill träna om.
- Välja Visa prediktorer, välj sedan den prediktor du vill träna om.
- På Inställningar flik, kopiera prediktorn ARN.
Vi måste uppdatera en parameter som används av arbetsflödet för att identifiera prediktorn som ska omskolas. - Välj på System Manager-konsolen Parameterlagring i navigeringsfönstret.
- Hitta parametern
/forecast/<STACKNAME>/Forecast/Predictor/ReferenceArn
. - Välj på parameterns detaljsida Redigera.
- För Värde, ange prediktorn ARN.
Detta identifierar den korrekta prediktorn för att arbetsflödet ska tränas om. Därefter måste vi uppdatera en parameter som används av arbetsflödet för att ändra träningsstrategin. - Hitta parametern
/forecast/<STACKNAME>/Forecast/Predictor/Strategy
. - Välj Redigera på parameterns detaljsida.
- Ange för Värde
RETRAIN
.
Arbetsflödet tränar som standard en ny prediktor; vi kan dock modifiera det beteendet för att träna om en befintlig prediktor eller helt enkelt återanvända en befintlig prediktor utan att omskola genom att ställa in detta värde tillNONE
. Du kanske vill avstå från träning om din data är relativt stabil eller om du använder automatiserad prediktorövervakning att bestämma när omskolning är nödvändig. - Ladda upp den inkrementella träningsdatan till S3-skopan.
- På Step Functions-konsolen, lokalisera tillståndsmaskinen
<STACKNAME>-Create-Predictor
. - Välj på detaljsidan för statens maskin Starta körning för att påbörja omskolningen.
När omskolningen är klar avslutas arbetsflödet och du kommer att få ett SNS-e-postmeddelande till den e-postadress som anges i parametrarna för arbetsbelastningsmall.
Städa upp
När du är klar med den här lösningen följer du stegen i det här avsnittet för att ta bort relaterade resurser.
Ta bort S3-hinken
- Välj på Amazon S3-konsolen Skopor i navigeringsfönstret.
- Välj den bucket där data laddades upp och välj Tom att radera all data som är associerad med lösningen, inklusive källdata.
- ange
permanently delete
för att radera hinkens innehåll permanent. - På Skopor sida, välj hinken och välj Radera.
- Ange namnet på hinken för att bekräfta raderingen och välj Ta bort hink.
Ta bort prognosresurser
- Välj på prognoskonsolen Visa datasetgrupper.
- Välj datauppsättningsgruppnamnet som är kopplat till lösningen och välj sedan Radera.
- ange
delete
för att ta bort datauppsättningsgruppen och tillhörande prediktorer, prediktor backtest exportjobb, prognoser och prognostiserade exportjobb. - Välja Radera att bekräfta.
Ta bort CloudFormation-stackarna
- Välj på AWS CloudFormation-konsolen Stacks i navigeringsfönstret.
- Välj arbetsbelastningsstacken och välj Radera.
- Välja Radera stack för att bekräfta radering av stacken och alla associerade resurser.
- När borttagningen är klar, välj beroendestapeln och välj Radera.
- Välja Radera att bekräfta.
Slutsats
I det här inlägget diskuterade vi några olika sätt att komma igång med att använda Forecast. Vi gick igenom en automatiserad prognoslösning baserad på AWS CloudFormation för en snabb, repeterbar lösningsdistribution av en Forecast-pipeline från dataintag till slutledning, med lite infrastrukturkunskap som krävs. Slutligen såg vi hur vi kan använda Lambda för att automatisera modellomskolning, vilket minskar kostnader och utbildningstid.
Det finns ingen bättre tid än nu att börja prognostisera med Forecast. För att börja bygga och distribuera ett automatiserat arbetsflöde, besök Amazon Forecast-resurser. Glad prognos!
Om författarna
Aaron Fagan är en Principal Specialist Solutions Architect på AWS baserad i New York. Han är specialiserad på att hjälpa kunder att utarbeta lösningar inom maskininlärning och molnsäkerhet.
Raju Patil är datavetare inom AWS Professional Services. Han bygger och distribuerar AI/ML-lösningar för att hjälpa AWS-kunder att övervinna sina affärsutmaningar. Hans AWS-engagemang har täckt ett brett spektrum av AI/ML-användningsfall som datorseende, tidsserieprognoser och prediktiv analys, etc., inom många branscher, inklusive finansiella tjänster, telekom, hälsovård och mer. Dessförinnan har han lett Data Science-team inom reklamteknologi och gjort betydande bidrag till ett flertal forsknings- och utvecklingsinitiativ inom datorseende och robotik. Utanför jobbet tycker han om fotografering, vandring, resor och kulinariska upptäckter.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- PlatoAiStream. Web3 Data Intelligence. Kunskap förstärkt. Tillgång här.
- Minting the Future med Adryenn Ashley. Tillgång här.
- Köp och sälj aktier i PRE-IPO-företag med PREIPO®. Tillgång här.
- Källa: https://aws.amazon.com/blogs/machine-learning/automate-the-deployment-of-an-amazon-forecast-time-series-forecasting-model/
- : har
- :är
- :inte
- :var
- $UPP
- 1
- 10
- 100
- 11
- 20
- 20 år
- 2022
- 7
- 8
- 9
- a
- Om oss
- Acceptera
- tillgång
- Enligt
- Konto
- noggrannhet
- bekräfta
- tvärs
- åtgärder
- anpassa
- Annat
- ytterligare information
- adress
- reklam
- Efter
- igen
- AI / ML
- algoritm
- algoritmer
- Alla
- tillåta
- tillåter
- ensam
- redan
- också
- amason
- Amazon Prognos
- mängd
- an
- analyser
- analytics
- och
- Annan
- vilken som helst
- api
- tillvägagångssätt
- lämpligt
- godkänd
- ÄR
- array
- AS
- bistå
- Associate
- associerad
- At
- automatisera
- Automatiserad
- automatiskt
- Automation
- tillgänglig
- AWS
- AWS molnformation
- AWS professionella tjänster
- Backtest
- Balansera
- saldon
- baserat
- Baslinje
- BE
- därför att
- innan
- börja
- Där vi får lov att vara utan att konstant prestera,
- BÄST
- Bättre
- mellan
- förspänning
- Bunden
- Box
- Föra
- webbläsare
- SLUTRESULTAT
- Byggnad
- bygger
- företag
- men
- by
- beräknar
- kallas
- Samtal
- KAN
- vilken
- Vid
- fall
- Centrum
- utmaningar
- byta
- Förändringar
- ta
- val
- Välja
- valde
- valda
- nära
- cloud
- Cloud Security
- koda
- Kodning
- samling
- Kolumn
- COM
- Gemensam
- jämföra
- fullborda
- komplex
- beräkningar
- Compute
- dator
- Datorsyn
- Begreppen
- aktuella
- konfiguration
- Bekräfta
- Konsol
- innehålla
- innehåll
- bidrag
- kontroll
- samordna
- korrekt
- Pris
- kunde
- omfattas
- skapa
- skapas
- skapar
- Skapa
- skapande
- Kunder
- cykel
- Cyklisk
- dagligen
- datum
- datahantering
- datapunkter
- datavetenskap
- datavetare
- datauppsättning
- datauppsättningar
- dag
- Dagar
- beslutar
- deklarerar
- Standard
- defaults
- definierade
- definierar
- definierande
- levereras
- beroende
- beror
- distribuera
- utplacerade
- utplacera
- utplacering
- distributioner
- vecklas ut
- deposition
- beskriva
- beskriven
- önskas
- detalj
- detaljer
- Bestämma
- utvecklare
- Utveckling
- olika
- svårt
- Dimensionera
- dimensioner
- kataloger
- diskuteras
- do
- inte
- gjort
- ladda ner
- under
- varje
- Tidigare
- lättare
- antingen
- eliminerar
- aktiverad
- möjliggör
- änden
- början till slut
- säkerställa
- ange
- Hela
- Miljö
- miljöer
- fel
- uppskatta
- etc
- utvärdera
- Även
- händelse
- exempel
- utförande
- existerar
- befintliga
- förväntat
- väntar
- erfarenhet
- export
- underlättar
- falsk
- bekant
- Funktioner
- fält
- Figur
- Fil
- Filer
- Arkivering
- fyllda
- Slutligen
- finansiella
- finansiella tjänster
- hitta
- Förnamn
- fokusering
- följer
- efter
- För
- Prognos
- prognoser
- format
- vidare
- Framåt
- fyra
- Frekvens
- från
- fullständigt
- fungera
- funktioner
- ytterligare
- framtida
- generera
- genereras
- generera
- skaffa sig
- Välgörenhet
- Go
- kommer
- reglerar
- diagram
- stor
- Grupp
- Gruppens
- vägleda
- styra
- lyckligt
- skörd
- Har
- har
- he
- Hälsa
- Hälsovård
- hjälpa
- hjälpa
- hjälper
- här.
- höggradigt
- hans
- historisk
- horisonten
- Horizons
- timme
- Hur ser din drömresa ut
- How To
- Men
- html
- http
- HTTPS
- idéer
- identifierar
- identifiera
- Identitet
- if
- illustrerar
- genomföra
- importera
- import
- in
- innefattar
- innefattar
- Inklusive
- industrier
- påverka
- underrätta
- informationen
- Infrastruktur
- inledande
- initiativ
- ingång
- istället
- in
- undersöka
- involverade
- IT
- artikel
- DESS
- sig
- Jobb
- Lediga jobb
- jpg
- Vet
- kunskap
- känd
- land
- Efternamn
- senare
- senaste
- LÄRA SIG
- inlärning
- t minst
- Led
- Led data
- Lets
- livscykel
- tycka om
- linje
- liten
- belägen
- läge
- Lång
- förlust
- låg kostnad
- lägre
- Maskinen
- maskininlärning
- Maskiner
- gjord
- Framställning
- hantera
- förvaltade
- ledning
- chef
- förvaltar
- hantera
- manuellt
- många
- maximal
- Maj..
- Möt
- Meny
- metadata
- metod
- metoder
- metriska
- Metrics
- kanske
- minsta
- minut
- saknas
- ML
- modell
- modeller
- modifiera
- övervakning
- månad
- mer
- flytta
- multipel
- måste
- namn
- namn
- Navigera
- Navigering
- nödvändigt för
- Behöver
- behov
- Nya
- New York
- Nästa
- Nej
- anteckningsbok
- anmälan
- anmälningar
- nu
- antal
- talrik
- objektet
- objekt
- få
- of
- on
- ONE
- endast
- öppet
- öppen källkod
- Optimera
- Tillbehör
- or
- beställa
- Övriga
- annat
- vår
- ut
- utfall
- skisse
- produktion
- utanför
- över
- övergripande
- egen
- sida
- pandor
- panelen
- parameter
- parametrar
- del
- procent
- Utföra
- prestanda
- permanent
- behörigheter
- fotografi
- fysisk
- rörledning
- Plats
- placering
- Planen
- plato
- Platon Data Intelligence
- PlatonData
- poäng
- möjlig
- Inlägg
- förutsagda
- förutsäga
- förutsägelse
- Förutsägelser
- Predictive Analytics
- Predictor
- Förutspår
- Förbered
- presentera
- presenteras
- föregående
- Principal
- Innan
- process
- Bearbetad
- bearbetning
- producera
- Produktion
- professionell
- programma
- Framsteg
- ge
- förutsatt
- ger
- tillhandahålla
- publicly
- Python
- sökfrågor
- frågor
- Snabbt
- snabbt
- område
- snabb
- snarare
- Raw
- redo
- motta
- rekommenderar
- post
- register
- återkommande
- minska
- reducerande
- avses
- hänvisar
- regelbunden
- relaterad
- relativt
- relevanta
- förlita
- bort
- repeterbar
- UPPREPAT
- repetitiva
- Obligatorisk
- forskning
- forskning och utveckling
- reserverad
- elastisk
- Upplösning
- Resurser
- resulterande
- Resultat
- återanvända
- reviewing
- robotik
- Roll
- roller
- Körning
- rinnande
- Samma
- Exempeldatauppsättning
- nöjd
- Skala
- tidtabellen
- Vetenskap
- Forskare
- vetenskapsmän
- sömlöst
- §
- sektioner
- säkra
- säkerhet
- se
- vald
- Val
- Serier
- Server
- Servrar
- serverar
- service
- Tjänster
- in
- inställning
- delas
- Kort
- skall
- Visar
- signifikant
- Enkelt
- helt enkelt
- eftersom
- enda
- So
- lösning
- Lösningar
- några
- något
- Källa
- specialist
- specialiserat
- specificerade
- spridning
- stabil
- stapel
- staging
- standard
- starta
- igång
- Starta
- Ange
- status
- Steg
- Steg
- förvaring
- lagra
- Strategi
- Sträng
- struktur
- sådana
- Som stöds
- system
- System
- bord
- Ta
- tar
- Målet
- uppgift
- uppgifter
- lag
- Teknologi
- telecom
- mall
- mallar
- testa
- än
- den där
- Smakämnen
- källan
- Staten
- deras
- Dem
- sedan
- Där.
- Dessa
- saker
- detta
- tre
- Genom
- hela
- tid
- Tidsföljder
- tidsstämpel
- till
- tillsammans
- verktyg
- ämne
- mot
- Tåg
- tränad
- Utbildning
- transformationer
- övergång
- färdas
- utlösa
- sann
- två
- Typ
- typer
- typiskt
- Osäkerhet
- under
- förstå
- enheter
- Uppdatering
- uppladdad
- URL
- användning
- användningsfall
- Begagnade
- användare
- med hjälp av
- värde
- Värden
- olika
- mycket
- via
- syn
- Besök
- visualisering
- promenerade
- vill
- var
- Sätt..
- sätt
- we
- vecka
- VÄL
- Vad
- när
- om
- som
- bred
- Brett utbud
- kommer
- med
- inom
- utan
- ord
- Arbete
- skriva
- skriven
- år
- york
- Om er
- Din
- zephyrnet
- Postnummer