各种规模的组织都在努力发展业务、提高效率并比以往更好地为客户服务。 尽管未来充满不确定性，但以数据为依据、以科学为基础的方法可以帮助预测未来的发展方向，从而成功驾驭众多选择。
每个行业都使用时间序列预测来满足各种规划需求，包括但不限于：
在这篇文章中，我们概述了五个入门最佳实践 亚马逊预报，并将高精度机器学习 (ML) 预测的力量应用于您的业务。
为什么选择亚马逊预测
AWS 提供了一个名为 Amazon Forecast 的完全托管的时间序列预测服务，使您能够生成和维护持续的自动化时间序列预测，而无需 ML 专业知识。 此外，您可以构建和部署可重复的预测操作，而无需编写代码、构建 ML 模型或管理基础架构。
Forecast 的功能使其能够服务于广泛的客户角色，从分析师和供应链经理到开发人员和 ML 专家。 客户青睐 Forecast 的原因有几个：它提供高精度、可重复的结果，以及无需等待专业技术资源可用性即可自助服务的能力。 Forecast 也被数据科学专家选中，因为它基于一组自调整模型提供高度准确的结果，并且具有快速试验的灵活性，而无需部署或管理任何特定规模的集群。 其 ML 模型还可以更轻松地支持对大量项目的预测，并且可以生成准确的 冷启动项目的预测 没有历史。
开始使用 Forecast 时的五个最佳实践
Forecast 为开发人员和数据科学家提供了高精度和快速的上市时间。 尽管开发高度准确的时间序列模型变得很容易，但这篇文章提供了最佳实践来加快您的入职和价值实现时间。 要取得成功，必须进行一些严格的测试，也许还需要进行几轮实验。 成功的预测之旅取决于多种因素，有些因素很微妙。
这些是您在开始使用 Forecast 时应该考虑的一些关键事项。
从简单开始
如下面的飞轮所示，考虑从使用一个简单模型开始 目标时间序列 数据集以在您提出第一组输入数据时制定基线。 后续实验可以加入其他 时间特征 和 静态元数据 以提高模型精度为目标。 每次进行更改时，您都可以衡量并了解更改有多大帮助（如果有的话）。 根据您的评估，您可能决定保留所提供的新功能集，或者转而尝试其他选项。
关注异常值
使用 Forecast，您可以获得整个数据集的准确性统计信息。 重要的是要认识到，虽然这个顶级统计数据很有趣，但它应该被视为只是方向正确的。 您应该专注于项目级别的准确性统计信息，而不是顶级统计信息。 请考虑以下散点图作为指南。 数据集中的某些项目将具有很高的准确性； 对于这些不需要采取任何行动。
在构建模型时，您应该探索一些标记为“探索性时间序列”的点。 在这些探索性案例中，确定如何通过合并更多输入数据来提高准确性，例如价格变化、促销支出、明确的季节性特征，以及包含本地、市场、全球和其他现实世界的事件和条件。
在创建预测之前检查预测器的准确性
在回测期间检查预测准确性之前，不要使用 Forecast 创建未来日期预测。 前面的散点图说明了时间序列级别的准确性，这是您对未来日期预测的最佳指示，所有其他事情都相同。 如果此期间未提供您所需的准确性级别，请不要继续进行未来日期预测操作，因为这可能会导致支出效率低下。 相反，如前所述，专注于增加您的输入数据并在创新飞轮上尝试另一轮。
减少培训时间
您可以通过两种机制减少训练时间。 首先，使用 Forecast 的 再培训功能 通过迁移学习帮助减少训练时间。 二、防止模型漂移 预测监测 通过仅在必要时进行培训。
构建可重复的流程
我们鼓励您不要通过 AWS管理控制台 或者从头开始使用 API，直到您至少评估了我们的 AWS 示例 GitHub 存储库. 我们对 GitHub 示例的使命是通过经过精心设计的可重复工作流程帮助消除摩擦并加快您的上市时间。 这些工作流是无服务器的，可以安排定期运行。
访问我们的官方 GitHub 存储库，您可以在其中按照提供的步骤快速部署我们的解决方案指南。 如下图所示，工作流提供了一个完整的端到端管道，可以检索历史数据、导入历史数据、构建模型并根据模型进行推理——所有这些都无需编写代码。
下图仅提供了一个模块的更深入视图，该模块能够从支持的无数数据库源中收集用于模型训练的历史数据 Amazon Athena 联合查询.
立即開始
您可以在几天到几周内实施完全自动化的生产工作流程，尤其是与我们的工作流程编排管道配合使用时 GitHub 示例存储库.
这段 re:Invent 视频重点介绍了一个客户使用此 GitHub 模型自动化其工作流程的用例：
Forecast 具有许多内置功能，可帮助您通过高度准确的基于 ML 的预测来实现业务目标。 如果您有任何问题，我们鼓励您联系您的 AWS 客户团队，并让他们知道您想与时间序列专家交谈，以便提供指导和方向。 我们还可以提供研讨会来帮助您学习如何使用 Forecast。
当您努力实现自动化和改进公司的需求预测时，我们随时为您和您的组织提供支持。 更准确的预测可以带来更高的销售额、显着减少浪费、减少闲置库存，并最终提高客户服务水平。
今天就采取行动； 现在就是开始创造更美好明天的最佳时机。
关于作者
查尔斯·劳克林 是首席 AI/ML 专家解决方案架构师，在 AWS 的时间序列 ML 团队工作。 他帮助制定 Amazon Forecast 服务路线图，并每天与不同的 AWS 客户合作，利用尖端的 AWS 技术和思想领导力帮助他们转变业务。 Charles 拥有供应链管理硕士学位，过去十年一直在消费品行业工作。
丹·辛瑞奇 是 Amazon Forecast 的高级产品经理。 他专注于使低代码/无代码机器学习民主化，并将其应用于改善业务成果。 工作之余，他会打曲棍球、努力提高网球发球、潜水和阅读科幻小说。
