写点什么

Amazon Forecast,简化时间序列预测

  • 2019-10-14
  • 本文字数:1805 字

    阅读完需:约 6 分钟

Amazon Forecast,简化时间序列预测

预见未来的能力是一种不可思议的超能力。在 AWS,我们无法赋予您预见未来的能力,但我们可以帮助您利用机器学习,通过几个步骤来预测时间序列。


时间序列预测的目标是预测时间相关数据的未来价值,例如每周销售额、每日库存水平或每小时网站流量。当今的公司利用简单电子表格和复杂财务规划软件等各类工具,尝试准确预测未来的业务成果,如产品需求、资源需求或财务绩效。


这些工具通过观察历史数据系列(称为时间序列数据)来生成预测。例如,这些工具可以根据“未来由过去决定”的基本假设,仅凭查看之前的销售数据即可尝试预测未来销售情况。


对于趋势没有规律性的大量数据,这种方法或许很难生成准确的预测。此外,这种方法也无法轻松地将随时间而变化的数据序列(例如价格、折扣、Web 流量)与相关的独立变量(如产品功能和门店位置)结合在一起。


隆重推出 Amazon Forecast


二十多年来,Amazon 一直在竭力解决包括零售、供应链和服务器容量在内的多个领域的时间序列预测挑战。 如今,运用我们通过这样的经验掌握的机器学习技术,我们隆重推出 Amazon Forecast – 一项用于时间序列预测的完全托管式深度学习服务。Amazon Forecast 融合我们多年来构建和运行可扩展、高度准确的预测技术的丰富经验,形成一种简单易用、完全托管式的服务。


您可以利用 Amazon Forecast 生成有关时间序列数据的预测,从而预测以下信息:


  • 运营指标,例如服务器的 Web 流量、AWS 使用情况或 IoT 传感器指标。

  • 业务指标,例如销售量、利润和开支。

  • 资源需求,例如满足特定需求所需的能源量或带宽。

  • 制造过程所需的原材料商品、服务或其他投入的数量。

  • 零售需求,同时考虑到价格折扣、营销促销和其他市场活动的影响。

  • Amazon Forecast 旨在提供如下三项主要优势:

  • 准确性,使用深度神经网络和传统统计方法进行预测。Amazon Forecast 可以自动通过您的数据进行学习,选取最佳算法,训练专门为您的数据设计的模型。如果您有许多相关的时间序列,使用 Amazon Forecast 深度学习算法(例如 DeepAR 和 MQ-RNN)做出的预测往往比传统方法(例如指数平滑法)得出的预测更准确。

  • 端到端管理,实现整个预测工作流自动化 – 从数据上传到数据处理、模型训练、数据集更新和预测。企业系统可以直接将您的预测作为 API 使用。

  • 易用性,您可以在控制台中查找不同精确度的任何时间序列预测,并直观呈现。您还可以查看预测工具预测准确性方面的指标。 没有机器学习专业知识的开发人员可以利用 Amazon Forecast API、AWS 命令行界面 (CLI) 或控制台,将训练数据导入一个或多个 Amazon Forecast 数据集中,对模型进行训练,并部署这些模型以生成预测。

  • 使用 Amazon Forecast


在 Amazon Forecast 中创建预测项目时,您主要使用以下资源:


  • 数据集,用于上传数据。Amazon Forecast 算法使用数据集训练模型。

  • 数据集组,这是一个或多个数据集的容器,旨在使用多个数据集训练模型。

  • 预测工具,这是对模型进行训练的结果。为了创建预测工具,您要提供一个数据集组和一份配方(用于提供算法),或者让 Amazon Forecast 决定最合适的预测模型。算法使用数据集中的数据训练模型。

  • 预测,您可以利用预测工具运行推理,从而生成预测。


您可以通过 AWS 控制台、CLI 和开发工具包使用 Amazon Forecast。例如,您可以使用适用于 Python 的 AWS 开发工具包,在 Jupyter 笔记本中训练模型或获取预测,或者使用适用于 Java 的 AWS 开发工具包为现有业务应用程序添加预测功能。


定价和可用性


使用 Amazon Forecast 时,您仅需为实际使用的资源付费。Amazon Forecast 会产生三种不同的费用:


  • 生成的预测:预测是对单个变量在任何时间范围内的未来值的预测。预测的计费单位为 1000(四舍五入到最接近的千位)。

  • 数据存储:存储用于训练模型的每 GB 数据的成本。

  • 训练小时数:基于客户提供的数据,对自定义模型进行训练所需的每小时成本。

  • 作为 AWS 免费套餐的一部分,在初次使用 Amazon Forecast 的前两个月内,您可以免费享受以下权益:


生成的预测:每月最多 1 万次时间序列预测


数据存储:每月最多 10GB


训练小时数:每月最多 10 小时训练时长


Amazon Forecast 已面向以下区域提供预览版:美国东部(弗吉尼亚北部)、美国西部(俄勒冈)。


进行高度准确的时间序列预测从未如此轻松。我非常期待看到我们的客户会利用这款产品取得的成果!


本文转载自 AWS 技术博客。


原文链接:


https://amazonaws-china.com/cn/blogs/china/amazon-forecast-time-series-forecasting-made-easy/


2019-10-14 11:251353
用户头像

发布了 1969 篇内容, 共 170.2 次阅读, 收获喜欢 84 次。

关注

评论

发布
暂无评论
发现更多内容

Discord模式等十大场景,环信带你玩转泛娱乐行业

环信

即时通讯 IM 泛娱乐 Discord

架构实战营:模块五作业

Geek_93ffb0

「架构实战营」

如何快速调度 PTS 的百万并发能力

阿里巴巴云原生

阿里云 云原生 Jmeter 压测 PTS

架构实战营 4 期第五模块作业

jialuooooo

架构实战营

☕【Java深层系列】「技术盲区」让我们一起探索一下Netty(Java)底层的“零拷贝Zero-Copy”技术(上)

码界西柚

Netty 零拷贝 zero copy 1月日更

当基础设施故障后,声网 SD-RTN 如何保障 RTE 服务的高可用性

RTE开发者社区

人工智能 云计算

Ubuntu16.04/Scala2.11.8安装教程

CRMEB

在Rainbond上使用Locust进行压力测试

北京好雨科技有限公司

软件架构治理 之 架构优化方向

码猿外

架构设计 技术债 软件架构治理

阿里云刘伟光:3.5万字拆解核心系统转型,核心从业者如何寻得“出路”

OceanBase 数据库

阿里 数字化转型 OceanBase 社区版 核心系统

一个cpp协程库的前世今生(二十)外部调度

SkyFire

c++ cocpp

使用MSF生成shellcode

喀拉峻

黑客 网络安全 安全 WEB安全

基于 Prometheus 的边缘计算监控实践

火山引擎边缘云

云原生 监控 边缘计算

开启报名!2021年度龙蜥社区优秀开发者评选,非你莫属!

OpenAnolis小助手

Linux 开源 社群 比赛

网关流控利器:结合 AHAS 实现 Ingress/Nginx 流量控制

阿里巴巴云原生

nginx 阿里云 高可用 云原生 ingress

最佳实践 | 如何避免一行错误代码造成的血案?

Atlassian

Atlassian Jira 代码评审

VuePress 博客优化之拓展 Markdown 语法

冴羽

JavaScript Vue markdown vuepress 博客搭建

金融云原生漫谈(六)|安全平稳高于一切的金融行业,如何构建云原生安全防线

York

容器 云原生 安全 金融科技

蚂蚁大规模 Sigma 集群 Etcd 拆分实践

SOFAStack

etcd #k8s SIGMA

Spring都在用的技术,你确定不过来看看?1️⃣

XiaoLin_Java

1月日更

淘宝小部件在 2021 双十一中的规模化应用

阿里巴巴终端技术

小程序 淘宝 双十一

实时云渲染,汽车产业数字化转型新动能

3DCAT实时渲染

云计算 数字化 汽车 云渲染

创新推出 | Serverless 场景排查问题利器:函数实例命令行操作

阿里巴巴云原生

阿里云 Serverless 云原生 函数计算

使用 google_breakpad 分析 Electron 崩溃日志文件

编程三昧

Electron 1月月更 google_breakpad

Arm vs x86: 解释指令集、架构和所有关键差异

吴脑的键客

android X86 arm

逐鹿万亿赛道:智能重卡规模量产的困境与进化

脑极体

混合云应用双活容灾最佳实践

阿里巴巴云原生

阿里云 运维 云原生 混合云 多活容灾

2021年小总结暨2022年打脸计划

秦怀杂货店

总结 程序人生、

【组件攻击链】一文看懂Spring全家桶各类RCE漏洞

H

网络安全 漏洞

Amazon Forecast,简化时间序列预测_语言 & 开发_亚马逊云科技 (Amazon Web Services)_InfoQ精选文章